在前面的章节中，我们使用基于内容的过滤和协作式过滤构建了推荐系统。尽管这些方法在特定场景下有效，但每种方式都有其固有的局限性。基于内容的系统很难为新用户提供推荐，而协作式过滤器则面临新物品的冷启动问题以及数据稀疏带来的影响。

本章介绍混合推荐系统，这是一种通过结合不同算法优点来减轻这些缺点的实用方法。通过整合多个模型，我们通常可以构建一个在更多样化的情况下表现良好的系统，使其更具韧性且更准确。

你将学习几种常见的模型组合技术，包括：

• 加权混合：使用简单的线性公式组合来自不同推荐器的预测分数，例如 $Score_{hybrid} = \alpha \cdot Score_{content} + (1-\alpha) \cdot Score_{collab}$。
• 切换与混合技术：根据特定标准（例如特定用户或物品的数据可用性）动态选择模型或混合排序列表。
• 特征组合：将一个推荐器的输出作为另一个推荐器的输入特征，从而创建一个单一且更高阶的模型。

本章最后包含一个动手实践环节，你将构建一个加权混合推荐器，将这些方法付诸实践，建立一个能同时运用内容和协作信号的系统。