o tyle w przypadku użytkowników zebranie wiarygodnych informacji może okazać się praktycznie niemożliwe. Wszelkiego rodzaju ankiety są często ignorowane, a udzielane odpowiedzi mogą z różnych powodów nie odzwierciedlać prawdziwego profilu użytkownika.
Innym podejściem do problemu przewidywania preferencji jest tzw. collaborative filtering. Metoda opiera się na założeniu, że oceny konkretnego użytkownika można prognozować jedynie na podstawie jego wcześniejszych ocen i ocen innych użytkowników całkowicie lub w znacznej części ignorując wspomniane w poprzednim paragrafie dodatkowe atrybuty.
Na pierwszy rzut oka może wydawać się to zaskakujące, jednak łatwo spostrzec, że takie podejście ma szanse powodzenia. Historia naszych ocen w pewnym sensie określa nasz profil - to jakiego rodzaju obiekty preferujemy, do jakich użytkowników jesteśmy podobni, w jakim stopniu zazwyczaj zaniżamy oceny itp...
O ile ciężko o wiarygodne porównanie skuteczności obu podejść (prawdopodobnie najskuteczniejsze jest połączenie obu), o tyle niepodważalną zaletą collaborative filtering jest fakt, że wszystkie niezbędne dane (czyli de facto jedynie archiwum ocen) są znacznie łatwiej dostępne.