在学校生活的时候，新生开学都会问同专业的师兄师姐“我要买什么书？”、“我要怎么安排作息？”等相似的问题，此时师兄师姐就会依着他们的专业和偏好做一些推荐，这就是现实中个性化推荐具体个例。这里面有一个有趣的地方，一般师弟师妹们不会去问不同专业的师兄师姐这些问题，也不会去问刚毕业的学长，这是为什么？因为对他们而言，上一届的同专业学长们的知识结构跟他们最为相近，兴趣偏好也比较相似，所以他们推荐的结果比较靠谱。
那么，在一个个性化推荐系统中，当一个用户A需要个性化推荐时，可以先找和他有相似兴趣的其他用户，然后把那些用户喜欢的、而用户A没有听说过的物品推荐给A。这种方法成为基于用户的协同过滤算法(User-CF)。
相似度计算目标是找到目标用户与其他已知偏好的用户的相似度。这里，协同过滤(CF)主要利用用户行为的相似度。给定用户u和用户v，令N(u)表示用户曾经有过正反馈的物品集合，令N(v)为用户v曾经有过正反馈的物品集合。
这里相似度计算有几个细节，如果用户属性是用布尔值(0,1)来表示的话，例如：
其中0表示不喜欢，1表示喜欢。那么可以通过Jaccard公式简单计算u和v的相似度，其公式定义是A与B交集的大小与A与B并集的大小的比值，范围在[0,1]，值越接近1，A与B越相似。特别地，当A、B集合都为空时，J(A,B)定义为1，计算公式如下：
上述结果代入公式计算后得：
当然这有个缺陷，Jaccard公式无法表示u，v对每个属性的具体偏好大小。这时候可以用余弦相似度进行求解。
改变下表格中的数值，表示具体偏好：
代入余弦相似度公式计算得
相似地，也有Tanimoto 系数(Tanimoto Coefficient)和欧几里德距离(Euclidean Distance)，当用欧几里德距离表示相似度，一般采用以下公式进行转换，距离越小，相似度越大。
Tanimoto 系数也称为 Jaccard 系数，是 Cosine 相似度的扩展，也多用于计算文档数据的相似度：
经过上述的相似度计算，现在找到和目标用户兴趣相似的用户集合，现在有个用户u，需要为他推荐水果种类，计算了用户u与其他用户的相似度，构建推荐矩阵如下：
得到上面对于用户u的推荐矩阵后，User-CF算法会给用户推荐和他兴趣最相似的K个用户喜欢的物品。如下的公式度量了User-CF算法中用户u对物品i的感兴趣程度：
其中， S(u, K)包含和用户u兴趣最接近的K个用户， N(i)是对物品i有过行为的用户集合， w_uv是用户u和用户v的兴趣相似度， r_vi代表用户v对物品i的兴趣度。假设K=2时，那么实际上矩阵按相似度排序如下：
那么此时用户u对桃的兴趣度计算：
如果对用户u只推荐一种水果，那么此时按照UserCF算法的最终计算推荐结果应为菠萝。
User-CF算法的假设是一个用户和其他用户的兴趣偏好类似，那么他们喜欢的东西都应该是差不多，即人以群分的概念。
该算法适用于用户较少、用户个性化兴趣不太显著的场合，推荐过程中用户新的行为不一定会导致推荐结果的变化，如果用户过多，那么计算用户相似矩阵的代价太大。且该算法无法解决新用户进来的冷启动问题，但新物品进来能够较快地进行推荐。
