基于用户的协同过滤（UBCF）是一种推荐算法，通过识别相似用户并利用他们的偏好来预测用户的偏好。它的原理是，过去意见一致的用户（例如，对物品给出相似的评分）未来也会意见一致。例如，如果用户 A 和用户 B 都对科幻电影给予了高评分，系统可能会推荐用户 B 喜欢但用户 A 尚未看过的科幻电影。核心步骤包括计算用户相似度、选择一部分相似用户（邻居），以及聚合他们的偏好以生成推荐。
实现通常遵循三个步骤。首先，将用户与物品的交互表示为一个矩阵，其中行代表用户，列代表物品，值代表评分或交互。接下来，使用皮尔逊相关系数或余弦相似度等指标计算用户之间的两两相似度。例如，皮尔逊相关系数衡量两个用户评分之间的线性相关程度，并调整评分偏差。余弦相似度将用户评分视为向量，计算它们之间的夹角。计算出相似度后，为目标用户选择最相似的 top k 个用户（邻居）。最后，通过聚合邻居对目标用户尚未交互过的物品的评分来生成推荐，通常使用加权平均法，其中相似度分数作为权重。例如，如果有三个相似用户对一部电影评分分别为 4、5 和 3，则预测评分可能是 (4*0.8 + 5*0.7 + 3*0.6) / (0.8+0.7+0.6) = 4.1。
实际考虑因素包括处理数据稀疏性和可扩展性。用户-物品矩阵通常是稀疏的（例如，用户评分的物品很少），这会导致相似度计算不可靠。均值中心化评分（用于皮尔逊相关系数）或使用隐式反馈（例如，点击）等技术可以缓解这个问题。可扩展性是另一个挑战：为数百万用户计算所有用户之间的相似度计算成本很高（O(n²))。将用户聚类分组或使用降维（例如，矩阵分解）等近似方法可以减少计算量。Surprise 或 Spark MLlib 等库提供了这些步骤的优化实现。在生产系统中，混合方法（将 UBCF 与基于物品的方法或基于内容的过滤相结合）也很常见，以平衡准确性和性能。例如，Netflix 可能对交互历史密集的用户使用 UBCF，但对新用户则回退到基于物品的过滤。