用户-用户相似度是基于协同过滤的推荐系统中的核心概念。它衡量两个用户根据其过去的互动（如评分、购买或点击）的相似程度。其思想是，过去表现出相似偏好的用户在未来的选择上也可能一致。例如，如果用户 A 和用户 B 都对同一部电影给出了高分，系统就会假定他们有相似的品味。然后，可以通过推荐用户 B 喜欢但用户 A 尚未互动过的物品来为用户 A 生成推荐。这种方法基于一个假设：用户偏好会形成可以分组并用于预测的模式。
为了计算用户-用户相似度，系统通常使用余弦相似度、皮尔逊相关系数或 Jaccard 指数等指标。例如，余弦相似度将每个用户的互动历史视为一个向量，并计算这些向量之间的夹角来确定相似度。如果两个用户有许多重叠的互动（例如，都对《盗梦空间》和《黑暗骑士》给出了高分），他们的向量就会紧密对齐，从而产生较高的相似度得分。另一方面，皮尔逊相关系数会调整评分尺度的差异——这对于一些用户评分更慷慨的情况很有用。对于稀疏数据集（例如，只评价过少数物品的用户），侧重于互动是否存在（而非具体评分）的 Jaccard 指数可能更有效。这些指标有助于识别用户的“最近邻居”——即那些偏好可以为推荐提供信息的、最相似的用户。
实际实现需要解决可扩展性和数据稀疏性等挑战。对于大型平台（例如，拥有数百万用户的电商网站），计算所有用户的成对相似度计算量巨大。解决方案包括使用近似技术（例如，局部敏感哈希）或将比较限制在用户子集内。数据稀疏性——即大多数用户只与极少部分物品互动——可能导致相似度得分不可靠。混合方法，如将用户-用户相似度与基于物品的方法或矩阵分解相结合，通常可以缓解这个问题。例如，流媒体服务可能会将用户-用户相似度与基于内容的过滤结合起来推荐节目，即使在用户互动数据有限的情况下也能确保覆盖。尽管存在局限性，但用户-用户相似度因其可解释性和在捕获共享偏好方面的有效性，仍然是一种基础方法。