协同过滤系统根据特定用户与其他用户的相似度来过滤推荐。协同推荐系统依赖于显式数据和隐式数据，假设具有相似偏好的用户可能会对同款商品感兴趣，并且未来可能会以类似的方式与这些商品交互。

例如，亚马逊（链接位于 ibm.com 以外）在其产品推荐中使用了协同筛选技术， 就像 Spotify（链接位于 ibm.com 以外）在其音频内容中使用的一样。

协同过滤推荐系统可以提供有效建议，并且通常不需要详细商品描述。然而，协同过滤也容易出现冷启动问题，当系统可供参考的历史数据有限时，尤其是对于新用户而言，就会发生这种情况。

协同筛选系统主要有两种：基于记忆的和基于模型的。

基于内存

基于内存的系统以矩阵形式表示用户和商品。它们是 K 最近邻算法 (KNN) 的扩展，因为它们的目标是找到“最近邻居”，这些邻居可以是相似的用户，也可以是相似的商品。基于内存的系统又可细分为两种类型：

• 基于用户的筛选，计算矩阵中特定用户与所有其他用户之间的相似性。基于用户的相似性函数是在用户-商品矩阵的各行之间计算得出的。

• 基于商品的筛选通过用户行为（用户如何与商品互动，而非商品特征）计算商品相似性。基于商品的相似性函数是在用户商品矩阵中的列之间计算的。

基于模型

另一方面，基于模型的系统会创建数据的机器学习预测模型。将用户-商品矩阵作为模型的训练数据集，然后对缺失值（即用户尚未找到因此会被推荐的商品）进行预测。

矩阵因式分解是最常用的基于模型的协同筛选算法之一。这种降维方法通常会将庞大的用户-商品矩阵分解成两个较小的矩阵，一个是用户矩阵，另一个是商品矩阵。然后将这两个矩阵相乘，以预测较大矩阵中的缺失值（或建议值）。

更高级的矩阵因式分解实现方法是利用深度学习 Neural Networks。其他基于模型的系统则采用机器学习算法，例如，贝叶斯分类器、聚类分析和 Decision Trees。

基于内容的过滤系统根据商品特征来过滤推荐商品。如果用户喜欢某个特定商品，基于内容的推荐系统会假设他们也会喜欢另一款相似商品。基于内容的过滤会考虑商品描述，例如颜色、类别、价格和由关键字和标签分配的其他元数据，以及显式和隐式数据。

基于内容的过滤系统将商品和用户表示为向量空间中的向量。采用接近度来判断商品之间的相似度如何。两个向量在空间中越接近，相似度就越高。根据所提供的特征，系统会向用户推荐与之前的商品相似的向量。

基于内容的推荐系统采用的是基于用户的分类器或回归模型。将用户感兴趣的商品描述和特征用作模型的训练数据集，然后生成推荐商品预测。

通过使用自然语言处理标签，基于内容的推荐系统可以得到进一步改进。但是，对于海量数据来说，这种标记过程可能比较繁琐。

与协同过滤不同，冷启动问题不是什么大问题，因为基于内容的过滤依据是元数据特征，而不是过去的用户交互。但是，基于内容的过滤在搜索新商品时可能存在局限，因为其推荐的商品通常与用户之前喜欢的类似。

顾名思义，混合推荐系统融合了协同筛选和基于内容的筛选。

因此，混合方法可以大大提高推荐引擎的性能，但需要先进的架构和强大的计算能力。

例如，Netflix 使用混合推荐系统（链接位于 ibm.com 以外）来推荐电影和电视节目。