1994年，明尼苏达大学双城分校计算机系的GroupLens研究组设计了GroupLens的新闻推荐系统，并首次提出了协同过滤思想。
维基百科上对协同过滤分别给了广义和狭义两个定义
广义定义：协同过滤是使用涉及多个代理，视点，数据源等之间的协作的技术来过滤信息或模式的过程。
狭义定义：协同过滤是一种通过从许多用户收集偏好或品味信息（协作）来自动预测（过滤）关于用户兴趣的方法。协同过滤方法的基本假设是，如果一个人A在一个问题上与一个人B具有相同的意见，那么A更可能在其他问题上与B意见的相似度高于随机的人。
协同过滤的分类
- 基于用户的推荐(通过共同口味与偏好找相似邻居用户，K-邻居算法，你朋友喜欢，你也可能喜欢)
- 基于项目的推荐(发现物品之间的相似度，推荐类似的物品，你喜欢物品A，C与A相似，可能也喜欢C)
- 基于模型的推荐(基于样本的用户喜好信息构造一个推荐模型，然后根据实时的用户喜好信息预测推荐)
协同过滤推荐步骤
（1）收集用户偏好。例如评分、 投票、转发、保存、书签、标记、评论、点击、浏览时间、购买、分享以及收藏等。
（2）数据数字化。对数据进行减噪与归一化操作，得到一个用户偏好的二维矩阵，一维是用户列表，另一维是物品列表，值是用户对物品的偏好，一般是 [0,1] 或者 [-1, 1] 的浮点数值。
- 减噪：通过数据挖掘算法过滤数据中的噪音，是一个数据预处理的过程，使得对数据之后的分析更为精确。
- 归一化：将各个行为的数据都统一到一个相同的取值范围，例如用各类数据除以此类中的最大值，从而使得归一化的数值在[0,1]之间，这是一种最简单的 归一化处理
（3）找到相似的用户和物品。构造相似度计算式来衡量用户与用户（物品与物品）之间的相似度。
（4）计算出来的相似度作为基于用户、项目的协同过滤推荐。