پالایش مشارکتی مبتنی بر کاربر که یک تکنیک پیشنهاد مبتنی بر نزدیک‌ترین همسایه بوده و بطور وسیعی مورد استفاده قرار گرفته است، با تجمیع امتیازات کاربران مشابه، امتیاز یک آیتم را تخمین می‌زند. شباهت کاربر به صورت سنتی با شباهت کسینوسی یا ضریب همبستگی پیرسون محاسبه می‌گردد. با این وجود هر دوی این معیارها فقط جهت بردارهای امتیازدهی را درنظر می‌گیرند و دچار بازه‌ای از ایرادات می‌باشند. برای مرتفع نمودن این مشکلات، ما یک معیار شباهت بیزی نوین را پیشنهاد می‌دهیم که مبتنی بر توزیع دیریکله می‌باشد و جهت و طول بردارهای امتیازدهی را درنظر می‌گیرد. ما فرض می‌کنیم که نیازی نیست تمامی جفت‌های امتیازدهی حتما به صورت مساوی شمرده شوند تا همبستگی کاربر به صورت دقیقی مدلسازی گردد. سه بردار مدل متفاوت طراحی شده‌اند تا وزن جفت‌های امتیازدهی را محاسبه نمایند. به علاوه، روش اصلی ما به علت جانبداری میان شانس و سیستم احتمال، همبستگی را کاهش می‌دهد. نتایج تجربی موجود بر شش مجموعه داده‌ی دنیای واقعی نشان می‌دهند که روش ما در مقایسه با روش‌های دیگر، به دقت برتری دست می‌یابد.