混合推薦系統是推薦系統的另乙個研究熱點，它是指將多種推薦技術進行混合相互彌補缺點，從而可以獲得更好的推薦效果。
最常見的是將協同過濾技術和其他技術相結合，克服cold start的問題。
（1）加權型
就是將多種推薦技術的計算結果加權混合產生推薦。
最簡單的方式是線性混合，首先將協同過濾的推薦結果和基於內容的推薦結果賦予相同的權重值，然後比較使用者對項的評價與系統的**是否相符，然後調整權重值。
加權型混合方式的特點是整個系統效能都直接與推薦過程相關，這樣一來就很容易在這之後斤西瓜信任分配和調整相應的混合模型，不過這種技術有乙個假設的前提是對於整個空間中所有可能的項，使用不同技術的相關引數值都基本相同。
（2）轉換型
根據問題背景和實際情況採用不同的推薦技術。
比如，使用基於內容推薦和協同過濾混合的方式，系統首先使用基於內容的推薦技術，如果它不能產生高可信度的推薦，然後再嘗試使用協同過濾技術。
因為需要各種情況比較轉換標準，所以這種方法會增加演算法的複雜度和引數化，當然這樣做的好處是對各種推薦技術的優點和弱點比較敏感。
（3）合併型
同時採用多種推薦技術給出多種推薦結果，為使用者提供參考。
比如，可以構建這樣乙個基於web日誌和快取資料挖掘的個性化推薦系統，該系統首先通過挖掘web日誌和快取資料構建使用者多方面的興趣模式，然後根據目標使用者的短期訪問歷史與使用者興趣模式進行匹配，採用基於內容的過濾演算法，向使用者推薦相似網頁，同時，通過對多使用者間的系統過濾，為目標使用者**下一步最有可能的訪問頁面，並根據得分對頁面進行排序，附在現行使用者請求訪問頁面後推薦給使用者。也就是「猜你喜歡可能感興趣的網頁」。
（4）特徵組合
將來自不同推薦資料來源的特徵組合起來，由另一種推薦技術採用。
一般會將協同過濾的資訊作為增加的特徵向量，然後在這增加的資料集上採用基於內容的推薦技術。
特徵組合的混合方式使得系統不再僅僅考慮協同過濾的資料來源，所以它降低了使用者對專案評分數量的敏感度，相反的，它允許系統擁有項的內部相似資訊，其對協同系統是不透明的。
（5）瀑布型
後乙個推薦方法優化前乙個推薦方法：它是乙個分階段的過程，首先用一種推薦技術產生乙個較為粗略的候選結果，在此基礎上使用第二種推薦技術對其作出進一步精確地推薦。
瀑布型允許系統對某些項避免採用低優先順序的技術，這些項可能是通過第一種推薦技術被較好的予以區分了的，或者是很少被使用者評價從來都不會被推薦的專案。
因為瀑布型的第二步，僅僅是集中在需要另外判斷的項上。另外，瀑布型在低優先順序技術上具有較高的容錯性，因為高優先順序得出的評分會變得更加精確，而不是被完全修改。
（6）特徵遞增型
前乙個推薦方法的輸出作為後乙個推薦方法的輸入。
比如，你可以將聚類分析作為關聯規則的預處理，首先對會話檔案進行聚類，再針對每個聚類進行關聯規則挖掘，得到不同聚類的關聯規則。當乙個訪問會話獲得後，首先計算該訪問會話與各聚類的匹配值，確認其屬於哪個聚類，再應用這個聚類對應的關聯規則進行推薦。
這個型別和瀑布型的不同點在**呢？
在特徵遞增型中，第二種推薦方法使用的特徵包括了第一種的輸出。
而在瀑布型中，第二種推薦方法並沒有使用第一種產生的任何等級排列的輸出，其兩種推薦方法的結果以一種優化的方式進行混合。
（7）元層次型
用一種推薦方法產生的模型作為另一種推薦方法的輸入。
這個與特徵遞增型的不同在於：
在特徵遞增型中使用乙個學習模型產生某些特徵作為第二種演算法的輸入，而在元層次型中，整個模型都會作為輸入。
比如，你可以通過組合基於使用者的協同過濾和基於專案的協同過濾演算法，先求解目標專案的相似專案集，在目標專案的相似專案集上再採用基於使用者的協同過濾演算法。這種基於相似專案的鄰居使用者協同推薦方法，能很好地處理使用者多興趣下的個性化推薦問題，尤其是候選推薦專案的內容屬性相差很大的時候，該方法效能會更好。
013 流式計算系統（開發混合推薦系統）
每個推薦位是乙個獨立的推薦產品，需要對每個廣告位開發獨立的推薦模型 每個推薦位需要配置特有的推薦規則和排序規則 為了容錯，每個推薦位都需要預設的推薦產品，當推薦系統無法計算正常的結果時，使用預設產品進行推薦。各個推薦模型推送的商品可以能重複和下線的商品，需要對商品進行進行去重和過濾處理 推薦結果計算...
Ruby混合型別
當乙個類擁有可以從多個父類繼承的特點，類應該顯示多重繼承。ruby沒有直接支援多繼承，但ruby模組有另乙個精彩使用。他們幾乎消除多重繼承的需要，提供了乙個工廠，稱為混入。混合型別給乙個精彩的控制方式增加功能類。在 中混合類，使用它的 能進行互動。module a def a1 enddef a2 ...
讀書筆記 推薦系統與深度學習 第五章 混合推薦系統
目前介紹的演算法各有利弊 1.1.1 海量資料推薦 1.1.2 高質量推薦 為了提公升推薦系統的推薦精度以及推薦多樣性，工業上會對推薦系統進行特徵 模型等多層面的融合來構建混合推薦系統。名稱python 計算方法 標準化sklearn.preprocessing.scale x x xs x fra...