Spolupracovní filtrování je prediktivní proces, který stojí za doporučovacími systémy. Doporučovací enginy analyzují informace o uživatelích s podobným vkusem a vyhodnocují pravděpodobnost, že se cílové osobě bude něco líbit, například video, kniha nebo produkt. Kolaborativní filtrování je také známé jako sociální filtrování.

Kolaborativní filtrování používá algoritmy k filtrování dat z uživatelských recenzí s cílem vytvořit personalizovaná doporučení pro uživatele s podobnými preferencemi. Kolaborativní filtrování se také používá k výběru obsahu a reklamy pro jednotlivce na sociálních médiích.

Tři typy kolaborativního filtrování, které se běžně používají v doporučovacích systémech, jsou filtrování na základě sousedů, filtrování podle položek a filtrování na základě klasifikace.

Při filtrování na základě sousedů jsou uživatelé vybíráni na základě jejich podobnosti s aktivním uživatelem. Tato podobnost je určena porovnáním uživatelů, kteří zveřejnili podobné recenze. Na základě předchozí podobnosti se předpokládá, že budoucí lajky a dislajky budou také podobné. Z průměrného hodnocení skupiny se vytvoří doporučení pro aktivního uživatele.

Proces filtrování mezi položkami používá matici k určení podobnosti dvojic položek. Procesy item-to-item pak porovnávají preference aktuálního uživatele s položkami v matici, aby zjistily podobnosti, na jejichž základě lze provést doporučení.

Systém kolaborativního filtrování založený na klasifikaci doporučuje věci na základě toho, jak se daná klasifikace nebo žánr líbil podobným uživatelům. Předpokládá se, že uživatelům, kterým se líbí nebo nelíbí podobné zážitky v rámci klasifikace, se budou líbit i jiné v rámci této klasifikace.

Některé systémy kolaborativního filtrování jsou založeny na paměti, jako modely sousedů a položek, které porovnávají podobnosti uživatelů nebo položek. Jiné jsou založeny na modelech a používají strojové učení k porovnávání nepodobných položek. Systémy založené na modelech mohou používat algoritmy, jako je Markovův rozhodovací proces, k předpovídání hodnocení položek, které ještě nebyly hodnoceny. Hybridní systémy zahrnují prvky filtrování založeného na paměti i na modelu.

Doporučovací systémy se používají k poskytování návrhů pro všechny druhy webových stránek a služeb. Přesto se mohou setkat s řadou obtíží. Řídkost hodnocení je jednou z hlavních překážek užitečnosti kolaborativního filtrování v systémech s mnoha položkami. Také u nových položek bývá obtížné poskytovat doporučení. V rámci nových doporučovacích systémů je obtížné poskytovat dobrá doporučení dříve, než dostatečný počet uživatelů zadá hodnocení. Zároveň však příliš mnoho uživatelských hodnocení může být pro některé systémy výzvou, protože z nich vznikají obrovské soubory dat

.