2.1.3　混合型推荐系统

基于内容的推荐的优点是没有冷启动问题，但是用户和物品画像的构建需要大量的时间和人力；而基于协同过滤的推荐通过利用群体的智慧对用户和物品进行画像和建模，但是也存在冷启动、数据稀疏性等不足之处。为了结合两者的优点而同时规避两者的缺点，研究界提出了混合型推荐系统^[8]，[107]，基于内容和基于协同过滤两种方法的结合成为混合型推荐系统的主流，在实际系统中得到了广泛的应用，现在大多数实际中的推荐系统都是综合多种推荐算法而构建的混合型推荐系统。根据算法融合方式不同，混合型推荐策略可以分为加权融合^[108]、场景切换^{[109]，[110]}、结果混合与重排序^{[111]，[112]}、特征组合^{[113]，[114]}、算法级联^[110]和算法元层次融合^[115]等。

Burke将基于知识的专家系统与协同过滤结合，较早提出了混合型推荐系统的概念^[116]；Claypool等进而将基于内容和协同过滤的推荐相结合，用于新闻推荐的任务^[117]；Wang等基于相似度融合的方法对传统的用户协同过滤和物品协同过滤进行了结合^[118]；Good等提出结合个人助理（personal agents）的协同过滤框架^[119]；Pennock等将基于近邻的协同过滤与基于模型的方法相结合^[120]；Melville等提出了基于内容增强（content-boosted）的协同过滤方法^[121]；Kim等^[122]和Cho等^[123]研究了基于决策树的混合推荐模型；Popescul等^[124]和Yoshii等^[125]研究了混合型推荐的概率化方法；近年来，De Campos等又将贝叶斯概率框架应用于混合型推荐系统中^[115]；Burke等研究了异构网络和数据环境下的混合型推荐算法^[126]；Choi等研究了用户隐式反馈与行为模式的结合^[127]；Renckes等考虑了用户隐私保护在混合型推荐中的体现^[128]；Sun等研究了基于排序学习的混合型推荐^[129]；Huang等基于用户-物品关系图提出了一种融合内容和协同过滤的混合型推荐方法^[130]。

在应用方面，斯坦福大学的研究人员推出了混合型推荐系统Fab^[10]，[131]，首次采用了内容和协同过滤结合的方法；Prasad^[132]和Li^[133]等研究了电子商务网站背景下混合型推荐的应用；Yu等利用混合型推荐实现了基于手机的上下文相关多媒体内容推荐系统^[134]；Yoshii等^[125]和Donaldson^[135]研究了混合型推荐策略在音乐推荐中的应用；Lekakos和Garavelas^[93]、Salter和Antonopoulos^[136]基于内容和协同过滤研究了电影推荐；Vaz等基于协同过滤和作者排序实现了一个在线图书推荐系统^[137]；Lucas等对在线旅游产品的推荐进行了研究^[138]；Sobecki等利用协同过滤和菜谱内容实现了在线菜谱教程推荐系统^[139]；随着MOOC等在线学习平台的兴起，Chen等^[140]、Tang和McCalla^[141]、Khrib等^[142]和Bobadilla等^[143]研究了基于混合型推荐策略的在线课程推荐系统。