协同过滤 (Collaborative Filtering, 简称 CF): 为找到用户真正感兴趣的内容，首先找与他兴趣相似的用户，然后将这些用户感兴趣的东西推荐给该用户。
协同过滤是利用集体智慧的一个典型方法，首先想一个简单的场景，如果你现在想看个电影，但你不知道具体看哪部，你会怎么做？大部分的人会问问周围的朋友，看看最近有什么好看的电影推荐，而我们一般更倾向于从口味比较类似的朋友那里得到推荐。这就是协同过滤的核心思想
下图以用户对电影的推荐为例，表1 是用户对电影评分数据的一个简单矩阵的例子，其中每一行代表一个用户，每一列代表一部电影，矩阵中的元素表示用户对所看电影的评分，评分值一般是从1到5 的整数，评分值越大表明用户喜欢该电影。
对表1 中的数据利用协同过滤推荐算法，系统查找到用户Alice、Bob 和Chris 具有相似的兴趣爱好，因为他们对后3 部电影的评分相同，那么系统会推荐电影Snow white 给Chris，因为与其兴趣偏好相似的用户Alice 和Bob 对该电影的评分值较高。在表2 中，对于新用户Amy，没有评分信息，根据协同过滤推荐算法，无法根据评分信息查找与其兴趣偏好相似的用户，所以系统无法为该用户推荐电影，同样对于新电影Shrek，因缺乏评分信息系统无法感知它的存在，所以也无法将其推荐出去。这就是协同过滤推荐算法所存在的新用户和新项目问题，即冷启动问题
「冷启动」包含两个层面：
1. 用户的冷启动，新的用户因为没有在产品上留下行为数据，自然无法得知他/她的喜好，从而做出靠谱的推荐。这时一般需要借助用户的背景资料，或者引导性地让用户选择，或者暂时用热门启动替代个性化推荐来解决，在线推荐系统可以做到在用户产生行为数据后立马更新推荐列表。
2. 物品的冷启动，主要适用于ItemBased的场景，即对一个物品推类似的物品，因为新物品还没有用户行为数据，自然也就没有办法通过协同过滤的方式进行推荐，这时一般会利用物品属性的相关程度来解决。
现实生活中对于电子商务推荐系统，每天都有大量的新用户访问系统，每天都有相当数量的新项目添加到系统中，一方面，如果推荐系统能够为新用户推荐比较喜欢的商品，推荐系统会赢得更多用户的信任，对商家来说增加了客源，提高用户对系统的忠诚度，对用户来说，可以随时得到高质量的个性化服务; 另一方面，如果新商品能够及时地被推荐出去，可以提高产品的销售量，为商家赢得更大的经济利益，促进电子商务的健康发展。
目前针对冷启动问题提出了一些解决方法，如随机推荐法、平均值法、众数法、信息熵法、相似度度量改进法和结合内容信息的方法等。
此文选摘至http://baike.baidu.com/item/%E5%86%B7%E5%90%AF%E5%8A%A8，http://blog.sina.com.cn/s/blog_7f9bc9990102w81l.html
