荐项目给用户,这些项目不仅在拥有类似文件的用户之间取得高的评级值,并且同时能够在拥有不同文件的用户中得到高分。这个项目不仅包含与用户估计值高度相关的一些相似文件,而且也更直接的包含那些与用户文件相反的估计值高的项目。Sarwar6介绍了一种使用多种不同过滤方法的相似方法特别是内容分析代理业作为一种附加的方法加入到了协同过滤算法内。由此造成的结果是,那些与过滤评级评价一致的用户往往可以得到更好的推荐效果。与此相类似,使用了一种协同方法,在这种方法中传统用户评级向量被扩展了,这正是由一种纯粹基于内容方法的预测得到的。2混合推荐系统模式在这个分类中最流行的方法是把一些降维技术应用在一组基于内容的文件中。比如,Herlocker5使用了潜在语义索引来创建用户文件集合的协同视图,这些用户文件是用特征向量来表示的,使得性能相比基于内容方法有了改善。众多研究者近些年一直在研究这个问题。部分研究人员建议使用基于内容和协同特性来应用在一个基于单因素的分类中。Balaba
ovic7建议用一个统一的概率方法用于综合使用协同推荐和基于内容的推荐,这个方法是基于概率的潜在语义分析。然而,另一种贴近使用了贝叶斯混合作用回归模型,也应用了马科夫链等预测和估值方法。更特殊的是使用了用户的文件信息和在单一统计模型使用的项,来估计对于用户i和项目j的未知额定值rij:rXμZуωуee→N(0,σ)λ→N(0,Λ)у→N(0,Γ)这里i1,……,I并且j1,……,J分别代表了用户和项;e,λ和у是引入产生噪音的随机变量,并且没有注意到不同用户,不同项目的来源。Xij是一个包含了用户和项特征的矩阵,Zi是一个用户特性的向量,ω是一个项特性的向量。这个模型中未知参数是μ,σ,Λ和Γ,它们的值是从已知数据来利用马科夫链方法进行处理得到的。总体上来说,利用用户属性集Zj来创建一个用户文件的一部分,项的属性集ωj用来创建一个项文件的一部分,它们的交集Xij来估计每个项的等级。无论用户何时对系统发出请求,它的评级都能通过实时按需计算而有效的得到。一种不同的方法被采用,目的是来改善已经存在的协同过滤算法的性能,在这个方法中用户组评级的输入是被精心挑选的,使用的技术包括排除噪音、冗余
f度还有就是利用了评级数据的稀疏性。此外,在其中的最新发展中,KYu9提出了一种协同过滤的概率方法,即把基于记忆与基于模型的技术结合起来的方法。特别是在9中提出的(1)使用r