原文鏈接：http://blog.csdn.net/cxwen78/article/details/7414734

混合推薦系統(tǒng)是推薦系統(tǒng)的另一個研究熱點，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(xié)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(xié)同過濾的推薦結果和基于內容的推薦結果賦予相同的權重值，然后比較用戶對項的評價與系統(tǒng)的預測是否相符，然后調整權重值。 加權型混合方式的特點是整個系統(tǒng)性能都直接與推薦過程相關，這樣一來就很容易在這之后斤西瓜信任分配和調整相應的混合模型，不過這種技術有一個假設的前提是對于整個空間中所有可能的項，使用不同技術的相關參數值都基本相同。
（2）轉換型 根據問題背景和實際情況采用不同的推薦技術。 比如，使用基于內容推薦和協(xié)同過濾混合的方式，系統(tǒng)首先使用基于內容的推薦技術，如果它不能產生高可信度的推薦，然后再嘗試使用協(xié)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算法的復雜度和參數化，當然這樣做的好處是對各種推薦技術的優(yōu)點和弱點比較敏感。
（3）合并型 同時采用多種推薦技術給出多種推薦結果，為用戶提供參考。 比如，可以構建這樣一個基于web日志和緩存數據挖掘的個性化推薦系統(tǒng)，該系統(tǒng)首先通過挖掘web日志和緩存數據構建用戶多方面的興趣模式，然后根據目標用戶的短期訪問歷史與用戶興趣模式進行匹配，采用基于內容的過濾算法，向用戶推薦相似網頁，同時，通過對多用戶間的系統(tǒng)過濾，為目標用戶預測下一步最有可能的訪問頁面，并根據得分對頁面進行排序，附在現行用戶請求訪問頁面后推薦給用戶。也就是“猜你喜歡可能感興趣的網頁”。
（4）特征組合 將來自不同推薦數據源的特征組合起來，由另一種推薦技術采用。 一般會將協(xié)同過濾的信息作為增加的特征向量，然后在這增加的數據集上采用基于內容的推薦技術。 特征組合的混合方式使得系統(tǒng)不再僅僅考慮協(xié)同過濾的數據源，所以它降低了用戶對項目評分數量的敏感度，相反的，它允許系統(tǒng)擁有項的內部相似信息，其對協(xié)同系統(tǒng)是不透明的。
（5）瀑布型 后一個推薦方法優(yōu)化前一個推薦方法：它是一個分階段的過程，首先用一種推薦技術產生一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(tǒng)對某些項避免采用低優(yōu)先級的技術，這些項可能是通過第一種推薦技術被較好的予以區(qū)分了的，或者是很少被用戶評價從來都不會被推薦的項目。 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(yōu)先級技術上具有較高的容錯性，因為高優(yōu)先級得出的評分會變得更加精確，而不是被完全修改。
（6）特征遞增型 前一個推薦方法的輸出作為后一個推薦方法的輸入。 比如，你可以將聚類分析作為關聯(lián)規(guī)則的預處理，首先對會話文件進行聚類，再針對每個聚類進行關聯(lián)規(guī)則挖掘，得到不同聚類的關聯(lián)規(guī)則。當一個訪問會話獲得后，首先計算該訪問會話與各聚類的匹配值，確認其屬于哪個聚類，再應用這個聚類對應的關聯(lián)規(guī)則進行推薦。 這個類型和瀑布型的不同點在哪里呢？ 在特征遞增型中，第二種推薦方法使用的特征包括了第一種的輸出。 而在瀑布型中，第二種推薦方法并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(yōu)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。 這個與特征遞增型的不同在于： 在特征遞增型中使用一個學習模型產生某些特征作為第二種算法的輸入，而在元層次型中，整個模型都會作為輸入。 比如，你可以通過組合基于用戶的協(xié)同過濾和基于項目的協(xié)同過濾算法，先求解目標項目的相似項目集，在目標項目的相似項目集上再采用基于用戶的協(xié)同過濾算法。這種基于相似項目的鄰居用戶協(xié)同推薦方法，能很好地處理用戶多興趣下的個性化推薦問題，尤其是候選推薦項目的內容屬性相差很大的時候，該方法性能會更好。

總結

以上是生活随笔為你收集整理的混合推荐系统 类型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。