混合方法的性能通常依赖于精确的基于内容预测，支持向量机通常被应用到基于内容的预测任务中。更具体的说，混合推荐系统可以分为以下几类：联合分离推荐；增加基于内容特征协作模式；增加协作特征的内容模式；
f单一统一推荐模式。第一类混合推荐系统包括两个独立协作和基于内容的系统。有四种不同的方法结合两个分离的系统：
加权混合方法：输出评级获得个人推荐系统组合在一起以产
生一个单一的最后的建议或者使用线性组合7或18投票方案PTa
go系统最初给两个推荐系统相等的权重，但逐渐地根据用户的评级来调整预测权重。系统保持两个过滤方法相互独立，保证发挥各自的优势。
切换权重方法：系统在推荐技术之间进行切换，并且选择对当前
状况推荐质量较好的推荐技术。该技术一个典型的例子是日学习推荐系统，它选择具有较高可信度的推荐子系统。这种方法的另外一个例子是在27提到的，它选择根据提供的推荐结果与用户评级一致性较高的基于内容或协同过滤技术。
分区混合法：在这种方法中，结果从不同的推荐子系统同时给出。
一个例子是在25提到的基于电视播出和用户偏好系统信息的文字描述。推荐系统在最后的推荐结果中同时给出这两种技术的推荐结果。
梯度混合法：在这种方法中，先用一种技术产生一个粗略的候
选结果，再采用第二种技术对粗选结果进行精确选择。这种方法比加权混合方法的各种应用技术在所有预测项目上都更有效。因为第一级过滤已把候选项进行了过滤，所以这种混合方法计算任务更小。然而，这种方法对于低优先级推荐时对无用数据具有更高的兼容性。换句话
f说，这种梯度混合方法可以分析两个梯度。第一级（基于内容的方法或基于（协同）知识）选择中间推荐结果。然后，第二级（基于内容协同或基于知识协同方法）从第一级推荐结果中选择更合适的项目。BurKe5开发了一个叫做E
treeC的酒店推荐系统。这个系统首先用基于知识的方法选择客户的用餐偏好，在基于知识的方法中，创作者根据事先定义好的描述酒店特征的属性构造特征向量。这种方法与基于内容的方法相似，然而，我们必须注意是在基于知识的属于已被使用并且元数据是独立于内容的。这些酒店用协同方法进行等级排序。除前面提到的方法之外，最近的推荐系统包括下面方法：在9里，作者提出了一个上下文感知的音乐推荐系统，该系统是就内容检索，音乐本体和领域专用术语诸如精神和心里情景。创建了情绪状态转换模型ESTM来描绘复杂的人类情感并且r