تحدد خوارزميات التعلم القياسي مقاييس المسافة التي تُمثّل العلاقات المهمة بين البيانات. وفي هذا العمل، ندرس العلاقة بين التعلم القياسي والتصفية التعاونية. نقترح خوارزمية التعلم القياسي التعاونية (CML) التي تتعلم فضاءً قياسياً مشتركاً لتمثيل ليس فقط تفضيلات المستخدمين، بل أيضًا تشابه المستخدمين مع بعضهم البعض، وتشابه العناصر مع بعضها البعض. وتتفوّق الخوارزمية المقترحة على أحدث خوارزميات التصفية التعاونية في مجموعة واسعة من مهام التوصية، وتكشف عن الطيف الكامن لتفضيلات المستخدمين الدقيقة. كما تحقق CML تحسينًا كبيرًا في السرعة لمهام التوصية بالـ Top-K باستخدام تقنيات البحث عن أقرب الجيران التقريبية الجاهزة، مع تقليل ضئيل في الدقة.