人以群分——基于用戶的協(xié)同過濾
基于用戶的協(xié)同過濾主要基于的是用戶之間的相似度（依賴用戶的歷史喜好數(shù)據(jù)），先計算用戶之間的相似度，然后將用戶喜歡的物品推薦給相似用戶。也就是說，當用戶需要個性化推薦時，可以先找到與他相似其他用戶（通過興趣、愛好或行為習慣等），然后把那些相似用戶喜歡的并且自己不知道的物品推薦給用戶。
物以類聚——基于物品的協(xié)同過濾
基于項目(item-based)的協(xié)同過濾基于物品之間的相似度，先計算物品之間的相似度，然后根據(jù)用戶對物品的評分，將用戶喜歡物品的相似物品推薦給用戶。也就是說，當一個用戶需要個性化推薦時，例如由于他之前購買過《集體智慧編程》這本書，所以會給他推薦《機器學習實戰(zhàn)》，因為其他用戶很多都同時購買了這兩本書。
基于用戶協(xié)同過濾與基于物品協(xié)同過濾的區(qū)別
基于用戶的協(xié)同過濾需要在線（系統(tǒng)上線后）找用戶和用戶之間的相似度關系，計算復雜度肯定會比基于物品的協(xié)同過濾高。同時還需考慮推薦算法的冷啟動問題（如何在沒有大量用戶數(shù)據(jù)的前提下能夠讓用戶對推薦結果滿意），比如可以通過用戶注冊時讓用戶選擇自己感興趣的領域，生成粗粒度的推薦。
基于用戶的協(xié)同過濾是給用戶推薦那些和他有共同興趣的用戶喜歡的物品，所以基于用戶的協(xié)同過濾推薦較為社會化，即推薦的物品是與用戶興趣一致的那個群體中的熱門物品，同時能夠推薦給用戶新類別物品。
基于物品協(xié)同過濾則是為用戶推薦那些和他之前喜歡的物品類似的物品，基于物品協(xié)同過濾的推薦較為個性，因為推薦的物品一般都滿足自己的獨特興趣，所以比較是適應于用戶個性化需求強烈的領域，但由于物品的相似度比較穩(wěn)定，很難推薦給用戶新類別的物品。