基于用户的协同过滤和基于物品的协同过滤是推荐系统中的两个核心方法，它们的主要区别在于如何利用数据来生成推荐。基于用户的过滤识别与目标用户具有相似偏好的用户，并推荐那些相似用户喜欢的物品。例如，如果用户 A 和用户 B 都喜欢《盗梦空间》和《黑客帝国》等电影，如果用户 B 喜欢《星际穿越》，系统可能会向用户 A 推荐《星际穿越》。相比之下，基于物品的过滤侧重于物品之间的关系，推荐与目标用户已经互动过的物品相似的物品。如果观看过《盗梦空间》的用户经常观看《星际穿越》，系统会将《星际穿越》推荐给任何观看过《盗梦空间》的人，而不管其他用户的行为如何。
计算方法也不同。基于用户的方法计算用户之间的相似度，通常使用 Pearson 相关性或余弦相似性等指标来比较用户-物品交互向量（例如，评分或购买历史）。然后，这些相似性用于加权相似用户的偏好。但是，用户偏好会随时间变化，需要频繁重新计算，这在大规模情况下计算成本很高。相反，基于物品的方法预先计算物品之间的相似度，例如物品的共同浏览或共同购买的频率。例如，如果 80% 的购买笔记本电脑的用户也购买了鼠标，则这些物品被认为是相似的。物品相似性更稳定，使这种方法对于大型数据集更有效，因为可以重复使用预先计算的物品-物品矩阵。
用例通常决定选择哪种方法。基于用户的过滤适用于用户偏好一致的较小、稳定的社区，例如小众论坛推荐帖子。基于物品的过滤在大型、动态平台（如电子商务）中表现出色，其中物品目录的变化频率低于用户行为。例如，Netflix 可能会对紧密的用户群使用基于用户的方法，但依靠基于物品的方法进行广泛的推荐（例如，“类似于《怪奇物语》”）。开发人员应考虑可扩展性：基于用户的方法需要实时相似度计算，而基于物品的方法利用预先计算的数据，从而减少延迟。结合这两种方法的混合方法也很常见，可以平衡准确性和性能。