物品-物品相似度是协同过滤推荐系统中的核心技术，它基于用户行为识别物品之间的关系。该方法不直接关注用户偏好，而是通过分析用户与物品的交互模式来衡量两个物品的相似度。例如，如果观看电影 A 的用户也倾向于观看电影 B，系统就会推断这些电影是相似的。这种相似度通常使用余弦相似度、皮尔逊相关系数或 Jaccard 指数等指标，应用于用户与物品的交互数据（例如评分、购买或观看记录）计算得出。结果是一个矩阵，其中每个单元格代表物品对之间的相似度得分，系统能够根据用户已经交互过的物品推荐相似的物品。
为了实现物品-物品相似度，开发人员首先构建一个用户-物品交互矩阵。行代表用户，列代表物品，值表示交互情况（例如 1-5 分的评分）。接下来，以列为基础计算物品对之间的相似度。例如，余弦相似度衡量两个物品向量之间的角度：得分接近 1 表示高度相似，而 0 则表示没有关系。在电子商务中，如果购买“无线耳机”的用户经常购买“蓝牙音箱”，那么这些物品将具有较高的相似度得分。当用户查看“无线耳机”时，系统会通过查询矩阵中与该物品最相似的 Top-N 个物品来推荐“蓝牙音箱”。离线预计算这些得分可以提高实时性能，因为在用户会话期间的推荐仅依赖于简单的查找。
挑战包括处理稀疏数据（例如，交互次数较少的新物品）以及确保随时间推移的关联性。例如，平台上的新添加书籍可能没有任何用户交互，因此在用户与其互动之前无法计算相似度。混合方法，例如将物品相似度与基于内容的（例如类型或关键词）数据相结合，可以缓解这一问题。此外，相似度指标必须与用例对齐：Jaccard 指数更适用于二元交互（点击/未点击），而余弦相似度则适用于分级评分。开发人员还应定期更新相似度矩阵，以反映不断变化的用户偏好——例如，流媒体服务可能会每周重新计算一次，以捕捉热门内容。尽管存在这些挑战，物品-物品相似度因其可解释性、可扩展性以及在零售、媒体和出版等领域的有效性而仍然受到欢迎。