协同过滤是电子商务中使用的一种推荐系统技术，它通过分析相似用户的行为来预测用户的偏好。它的运作原理是，过去意见一致的人（例如，购买了相同的产品或给出了相似的评分）将来很可能再次意见一致。例如，如果用户 A 和用户 B 都购买了特定品牌的耳机，系统可能会向用户 B 推荐用户 A 购买的其他商品。这种方法不需要显式了解商品属性（如产品描述），而仅依赖于用户与商品的交互数据，例如购买历史、评分或点击。
协同过滤主要有两种类型：基于用户和基于商品。基于用户的过滤识别具有相似行为的用户，并推荐这些用户互动的商品。例如，如果有三个用户经常购买科幻书籍，系统可能会向所有三个用户推荐新发布的科幻小说。另一方面，基于商品的过滤侧重于商品之间的相似性。如果许多用户同时购买咖啡机和特定的咖啡胶囊，系统会将咖啡胶囊推荐给任何正在查看咖啡机的人。亚马逊的“购买此商品的顾客也购买了”功能是基于商品过滤的经典示例。这些方法通常使用余弦相似度或矩阵分解等算法来量化相似性并生成预测。
挑战包括处理稀疏数据（例如，很少对产品进行评级的用户）和“冷启动”问题（为没有历史记录的新用户或商品进行推荐）。为了解决这个问题，混合系统将协同过滤与基于内容的过滤（使用商品特征）相结合，或者采用奇异值分解 (SVD) 等技术来降低数据维度。对于开发人员来说，像 Surprise 或 TensorFlow Recommenders 这样的库提供了高效实现这些算法的工具。可扩展性是另一个需要考虑的问题；近似最近邻算法（例如，FAISS）优化了大型数据集的性能。通过利用这些策略，协同过滤仍然是电子商务平台中个性化推荐的基础方法。