推荐系统中基于邻域的方法是一种协同过滤技术，通过分析用户或项目之间的关系来预测用户偏好。 这些方法依赖于这样的想法：过去行为相似的用户在未来会有相似的偏好，或者具有相似特征的项目会吸引相同的用户。 主要有两种类型：基于用户的协同过滤，它识别具有相似品味的用户；以及基于项目的协同过滤，它侧重于项目之间的相似性。 例如，如果用户 A 和用户 B 都喜欢电影 X 和 Y，那么如果用户 B 也喜欢电影 Z，系统可能会向用户 A 推荐电影 Z。
邻域方法的一个主要优势是其简单性和可解释性。 基于用户的方法根据用户的评分计算用户之间的相似度指标（例如，余弦相似度或皮尔逊相关系数），然后汇总来自最相似“邻居”的偏好。 基于项目的方法，例如亚马逊的“购买此商品的顾客也购买了”功能，使用共现模式或评分相似度来比较项目。 例如，如果购买特定相机的用户经常购买特定镜头，系统会将该镜头推荐给其他购买该相机的用户。 这些方法适用于显式反馈（评分），但也可以处理隐式信号，例如浏览量或点击量。
然而，邻域方法在可扩展性和数据稀疏性方面面临挑战。 随着用户或项目数量增长到数百万，计算成对相似度在计算上变得非常昂贵。 降维或近似最近邻算法（例如，k-d 树）等技术有助于缓解这种情况。 数据稀疏性（即大多数用户-项目交互缺失）可能导致不可靠的相似度计算。 混合方法，例如将邻域方法与矩阵分解（例如，SVD）相结合，通常可以通过同时捕获局部（邻域）和全局模式来提高性能。 尽管存在局限性，但这些方法由于其透明性和在可解释的推荐很重要的场景（例如，电子商务或内容平台）中的有效性而仍然被广泛使用。