Lọc cộng tác là biến thể của reasoning dựa trên bộ nhớ (memory-based reasoning) đặc biệt phù hợp cho ứng dụng hỗ trợ đề xuất cá nhân hóa. Hệ thống lọc cộng tác bắt đầu với lịch sử sở thích người dùng. Hàm khoảng cách quyết định độ tương đồng dựa trên sự chồng lấp sở thích – người thích cùng thứ gần nhau.
Hơn nữa, phiếu bầu được trọng số bởi khoảng cách, do đó phiếu bầu của láng giềng gần hơn tính nhiều hơn cho đề xuất. Nói cách khác, đây là phương pháp khám phá âm nhạc, sách, rượu vang, hoặc ai đó khác phù hợp với sở thích hiện tại của một người cụ thể bằng cách dùng phán đoán của nhóm ngang hàng được chọn cho sở thích tương tự. Phương pháp này được gọi là lọc thông tin xã hội (social information filtering).
Lọc cộng tác tự động hóa quy trình dùng truyền miệng (word-of-mouth) để xác định xem họ có thể thích cái gì. Biết một số người thích cái gì đó không đủ. Mọi người đánh giá một số đề xuất cao hơn người khác. Đề xuất của bạn thân gần mà đề xuất trước đó đúng trọng tâm có thể đủ để khiến bạn đi xem phim mới ngay cả khi nó thuộc thể loại thường không thích.
Chuẩn bị đề xuất cho người dùng mới dùng hệ thống lọc cộng tác tự động có ba bước:
Xây dựng hồ sơ người dùng bằng cách yêu cầu khách hàng mới đánh giá một lựa chọn mục bao gồm phim, bài hát, hoặc nhà hàng.
So sánh hồ sơ người dùng mới với hồ sơ người dùng khác dùng thước đo độ tương đồng nào đó.
Dùng tổ hợp đánh giá của người dùng với hồ sơ tương tự để dự đoán đánh giá mà người dùng mới có thể cho các mục chưa đánh giá.
Một thách thức với lọc cộng tác là có nhiều mục cần đánh giá hơn bất kỳ người nào có khả năng đã trải qua hoặc sẵn lòng đánh giá. Đó là, hồ sơ thường thưa (sparse), định nghĩa là có ít chồng lấp giữa sở thích người dùng để tạo đề xuất. Hãy nghĩ hồ sơ khách hàng như vector với một thành phần trên mỗi mục trong vũ trụ các yếu tố cần đánh giá. Mỗi phần tử của vector định nghĩa đánh giá của chủ hồ sơ cho yếu tố tương ứng trên thang -5 đến 5 với 0 chỉ trung lập và giá trị rỗng cho không có ý kiến.
Nếu có hàng nghìn thành phần trong vector và mỗi người dùng quyết định cái nào để đánh giá, hồ sơ bất kỳ hai người dùng có khả năng kết thúc với một số chồng lấp. Nói cách khác, ép người dùng đánh giá tập con cụ thể có thể bỏ lỡ dữ liệu thú vị vì đánh giá các yếu tố tối thiểu hơn có thể nói nhiều hơn về người dùng hơn đánh giá các yếu tố phổ biến.