互联网内容和商业化的不断发展,一方面带给用户方便的娱乐、消费方式,另一方面也带给了用户严重的信息过载问题。用户受困于过量的信息、过量的商品选择,将要花费更多的时间来浏览备选信息,却有可能因为受限的信息处理能力做出更差的选择。搜索引擎在一定程度上缓解了信息过载,但需要用户非常明确的知道自己的选择,并不能帮助用户做决策。推荐系统正是为了帮助用户决策而产生。本文主要对如何提升推荐系统的预测准确性进行深入研究。我们将此处的混合推荐定义为多个推荐预测器的混合,本文认为,因为不同预测器模型的基本假设和侧重点不同,将他们混合将有助于最终的预测性能。首先我们建立多个经典协同过滤算法模型,并且根据特定应用环境进行时效扩展,之后将这些算法模型进行统一的、用户无关的混合。观察到这相较于独立预测器有性能提高,但是对于不同用户性能差异很大。于是我们提出利用多任务学习机制,充分考虑不同用户的个性特征,建立起用户相关的混合模型,主要表现为对于不同用户具有不同的预测器权重向量。为减少计算复杂度,我们还进行了用户聚类,并考察对性能的影响。我们详细描述了实验设计。实验证明,进行区分用户的混合模型建模有助于预测准确性的提高。但是考虑更有商业价值的覆盖率／命中率考察指标时,发现我们的算法并没有实质性的进步。这启示我们进行下一步的研究。