Коллаборативная фильтрация разделяется на 3 основных подхода:
Подход основанный на соседстве
Данный подход является первым в коллаборативной. В данном подходе для активного пользователя подбирается подгруппа пользователей схожих с ним. Комбинация оценок и весов подгруппы используется для прогноза оценок каждого активного пользователя. [1,2].
Подход основанный на модели
Данный подход предоставляет рекомендации, измеряя параметры статистических моделей для оценок пользователей, построенных с помощью таких методов как, метод кластеризации, байесовских сетей, латентной семантической модели и других. Модели разрабатываются с помощью интеллектуального анализа данных, алгоритмов машинного обучения, чтобы найти закономерности на основе обучающих данных. Число параметров в модели может быть уменьшено в зависимости от типа.
Этот подход является более комплексным и даёт более точные прогнозы, так как помогает раскрыть скрытые факторы. Данный подход имеет ряд преимуществ. Он обрабатывает разреженные матрицы лучше, чем подход основанный на соседстве, что в свою очередь помогает с масштабируемостью больших наборов данных. Недостатки этого подхода заключаются в затратном создании модели. [1,2].