A kollaboratív szűrés az ajánlómotorok mögött álló előrejelző folyamat. Az ajánlómotorok a hasonló ízlésű felhasználókról szóló információkat elemzik, hogy felmérjék annak valószínűségét, hogy a célszemélynek tetszeni fog valami, például egy videó, egy könyv vagy egy termék. A kollaboratív szűrést közösségi szűrésnek is nevezik.

A kollaboratív szűrés algoritmusokat használ a felhasználói véleményekből származó adatok szűrésére, hogy személyre szabott ajánlásokat készítsen a hasonló preferenciákkal rendelkező felhasználók számára. A kollaboratív szűrést arra is használják, hogy a közösségi médiában tartalmakat és hirdetéseket válasszanak ki az egyének számára.

Az ajánlórendszerekben általánosan használt kollaboratív szűrés három típusa a szomszéd-alapú, az elem-elem és az osztályozás-alapú.

A szomszéd-alapú szűrés során a felhasználókat az aktív felhasználóhoz való hasonlóságuk alapján választják ki. Ezt a hasonlóságot olyan felhasználók összevetésével határozzák meg, akik hasonló véleményeket tettek közzé. A korábbi hasonlóság alapján feltételezhető, hogy a jövőbeli tetszések és nem tetszések is hasonlóak lesznek. A csoport átlagos értékeléséből ajánlások készülnek az aktív felhasználó számára.

A tételek közötti szűrés egy mátrix segítségével határozza meg a tételpárok hasonlóságát. Az item-to-item folyamatok ezután összehasonlítják az aktuális felhasználó preferenciáját a mátrixban szereplő tételekkel, hogy a hasonlóságok alapján ajánlásokat alapozhassanak.

Egy osztályozáson alapuló kollaboratív szűrőrendszer aszerint ajánl dolgokat, hogy mennyire hasonló felhasználóknak tetszett az adott osztályozás vagy műfaj. Feltételezik, hogy azok a felhasználók, akiknek hasonló élmények tetszenek vagy nem tetszenek egy osztályozáson belül, másoknak is tetszeni fognak az adott osztályozáson belül.

Egyes együttműködő szűrőrendszerek memóriaalapúak, mint például a szomszédos és az elem-elem modellek, amelyek a felhasználók vagy elemek hasonlóságait hasonlítják össze. Mások modellalapúak, amelyek gépi tanulást használnak a különböző elemek összehasonlítására. A modellalapú rendszerek olyan algoritmusokat használhatnak, mint például a Markov-döntési folyamat, hogy megjósolják a még nem vizsgált elemek értékelését. A hibrid rendszerek tartalmazzák mind a memóriaalapú, mind a modellalapú szűrés jellemzőit.

A javaslattevő rendszereket arra használják, hogy javaslatokat adjanak mindenféle weboldalhoz és szolgáltatáshoz. Mégis számos nehézséggel találkozhatnak. Az értékelések ritkasága az egyik fő akadálya a kollaboratív szűrés hasznosságának a sok elemet tartalmazó rendszerekben. Az új elemekre is nehéz ajánlásokat adni. Az új ajánlórendszerek esetében nehéz jó ajánlásokat adni, mielőtt elegendő felhasználó adna be véleményt. Ugyanakkor azonban a túl sok felhasználói értékelés kihívást jelenthet egyes rendszerek számára, mivel hatalmas adathalmazokat eredményez.