协同过滤(CollaborativeFiltering)是推荐算法中最经典、应用最广泛的类型，主要的功能是预测和推荐。它的原理是通过了解用户与物品之间的关系进行推荐，物品本身的属性不考虑在内。主要由线的协同和离线的过滤两部分构成。在线协同，指的是通过对用户历史行为的挖掘，找到用户可能喜欢的物品;离线过滤，是指过滤掉那些不值得推荐的数据，那些推荐值评分过低，或者是推荐值虽高但是用户已经购买的数据，通常都会被过滤掉。

协同过滤的模型一般为m个物品，m个用户的数据。但是评分数据的只存在于部分用户和部分数据之间，其它部分的评分都是空白。此时我们要用已有的部分的稀疏数据来预测那些空白的物品和数据之间的评分关系，找到最高评分的物品推荐给用户。

协同过滤分为两类：基于用户的协同过滤(User-Based CF)和基于物品的协同过滤(Item-Based CF)。

基于用户(user-based)的协同过滤主要考虑的是用户和用户之间的相似度。基本思想：基于用户对物品的偏好找到相似用户，然后将相似用户喜欢的东西推荐给当前用户。例如，我们在网站上购买了《机器学习》这本书，经常会看到“购买了这本书的人还购买过。。。。。。。”

基于物品(item-based)的协同过滤和基于用户的协同过滤类似，但需要找到的是物品和物品之间的相似度。基本思想：通过用户的历史数据，找到与用户偏好相似的物品，然后给用户推荐相似的物品。例如，我们在网站上购买了《机器学习》这本书，网站马上会推荐一些大数据的书籍给我们。