協同過濾中相似度的計算很有技巧性，下面對比幾種計算的方式。
假設輸入的Item-User矩陣爲：
設用戶共有M個，Item共有N個，在本例子中，M=3,N=4M=3,N=4。矩陣中爲空的元素代表對應的用戶對Item沒有行爲，也可以認爲該用戶對該Item的評分爲0.
一、用二維數組依次計算
這種方式的實現步驟如下：
1、遍歷User，依次取出U1,U2,U3U1,U2,U3。當取到U1U1的時候，計算所有item之間的相似度，此處以餘弦方式度量相似度。因爲相似度矩陣是一個對稱矩陣，所以只計算上三角或者下三角即可。當計算U2U2的時候，需要累加U1U1的計算結果，U3U3同樣要累加前面的計算結果，這樣當user遍歷完成之後，即可得到兩個Item之間的內積，當然餘弦相似度還要除以兩個Item的模長的乘積。模長的計算可以在遍歷User的時候同步計算。
計算內積的具體過程爲：
2、用內積除以模長得到餘弦相似度，這一步比較簡單，不詳細討論。
現在來分析一下這種方法的時間複雜度。很明顯要遍歷User，上面已經假設User的數量爲M，而對每一個User而言，要計算所有Item兩兩之間的相似度，因之需要計算相似度矩陣的上三角或下三角，所以其計算的次數爲：
考慮所有的用戶，還要在上面的基礎上再乘以MM，所以最後的次數爲：
二、採用HashMap查找計算
這種方法只計算User-Item矩陣中值不爲空的元素，對稀疏的矩陣而言，沒有冗餘的計算。但是需要額外構造一個ItemHashMap，從遍歷ItemHashMap開始。
在ItemHashMap中，Item爲key，User爲value。
1、遍歷ItemHashMap，依次取出I1,I2,I3,I4I1,I2,I3,I4。取到I1I1的時候，先從ItemHashMap中查找看過該Item的User有哪些，在本例子中爲U1,U3U1,U3。然後再分別計算這些User中每個User看過的Item之間的相似度，這一步很重要，是爲了避免計算User-Item矩陣中爲空的元素。
2、用戶U1U1看過的Item有I1,I3I1,I3，用戶U3U3看過的Item有I1,I2,I4I1,I2,I4。那麼作如下計算：
3、同理，可以這樣計算I2,I3,I4I2,I3,I4。因爲是對稱矩陣，只需要計算相似度矩陣上三角或者下三角即可。如下所示：
假設平均每個Item被P個用戶看過，平均每個用戶看過Q個Item，那麼應當有：
分析上面的過程，不難發現，這種方式的計算次數爲：
在實際的數據中，User-Item矩陣必然是稀疏，如果User-Item矩陣一點都不稀疏，也即沒有不爲空的元素，那麼也就失去了推薦的意義，因爲對於每一個用戶而言，他把所有的Item都看過了，那還給他推薦什麼呢？正常情況下，應該有P≪MP≪M，所以這種算法是有意義的。
上面兩種方法計算的相似度矩陣是一致的，如下所示：
三、只使用UserHashMap實現
這種方式在實現第二種方式達到的效果之外，還可以節省空間。大概的思想是，遍歷UserHashMap，每取到一個User之後，先獲取該User所看過的Item，然後計算這些看過的Item兩兩之間的相似度，然後將結果保存在相似度矩陣中，後面的User生成的相似度直接累加上去即可，這樣最終的結果也就生成了。