AD ALTA 

 

JOURNAL OF INTERDISCIPLINARY RESEARCH

 

 

 

A REVIEW OF HYBRID RECOMMENDER SYSTEMS 
 

a

BABAK JOZE ABBASCHIAN, 

b

SAMIRA KHORSHIDI 

 

a

University of Louisville, 2301 S 3rd St, Louisville, KY 40208, 

USA 

b

Indiana University Purdue University, 420 University Blvd. 

Indianapolis, IN 46202, USA 
Email: 

a

b0joze01@louisville.edu,

 b

sakhors@iu.edu  

 

 
Abstract: Due to the huge amount of information available online, the need of 
personalization and filtering systems is growing permanently.  In today’s world 
recommender systems are increasingly used to make suggestions and provide 
information about items for users. Also recommendation systems constitute a specific 
type of information filtering technique that attempt to present items according to the 
interest expressed by a user. There are many techniques that can be applied for 
personalization in recommender systems.  All these techniques have complementary 
strengths and weaknesses. A hybrid recommender system combines two or more 
recommendation techniques to gain better system performance and mitigate the 
weaknesses of individual ones. In this review paper, we prepared a brief introduction 
on hybrid recommendation systems, components of recommendation systems, various 
approaches of recommendation systems such as collaborative approach, content-based 
approach, hybrid approach and demographic approach.  
 
Keywords: hybrid approach, collaborative approach, content-based approach, 
demographic approach. 
 

 
1 Introduction 
 
It is typically necessary to possess a certain sufficient amount of 
information to make good decisions in any situation. 
Technologies enable us to easily obtain more information, 
especially on the Internet. For example, if an individual want to 
rent a movie online, there are numerous choices available. 
However, too much information can make decision-making 
inefficient, leading to information overload. Personalization 
technologies and recommender systems help to overcome this 
problem by providing personalized suggestions regarding which 
information is most relevant to users. [1] 

Recommender systems are used in various online applications 
from e-commerce to search engines. There are a number of 
techniques used to implement recommender systems, each with 
its advantages and disadvantages. Hybrid systems intend to 
combine two or more of these techniques in order to obtain 
better results. [2]  

Recommender systems [3] reached a broad acceptance and 
attracted public interest during the last decade, also expanding 
the field for new sales opportunities in e-commerce [4, 5]. 

Recommender systems are divided into two categories in term of 
their approach to rating estimation: content-based and 
collaborative recommender systems. Content-based 
recommendations [6] based on item similarity of the user 
preferred to objects in the past. Moreover, collaborative 
recommendation systems [7] depend on the ratings given by 
individuals with similar taste and preference. However, both 
techniques exhibit specific strong and weak points. 

Collaborative filtering recommender systems are the most 
commonly used systems [8]. They involve the use of the 
information provided by other users to make suggestions to a 
particular user. This can be compared to what happens in real 
life when an item is purchased based on the recommendation. 
Collaborative filtering systems differ in the way they use the 
information provided by other users to link it to the information 
available about the user that it needs to make a prediction for. A 
type of collaborative filtering is the use of association rules. 

Development of recommender systems depends on e-commerce 
but there are also other applications for them such as search 
results and news portals customization. Different techniques 
have been used, including the nearest neighbor algorithm [9], 
association rule mining [10] and neural networks [11].  

Hybrid techniques were implemented to overcome some 
challenges in the above-mentioned techniques. The challenges 

include some aspects of performance, trust security and privacy 
issues. 

Hybrid approaches unifying collaborative and content-based 
filtering less than one single framework, reducing synergetic 
effects and mitigating inherent challenges of either paradigm. 
Finally, hybrid recommenders operate on both product rating 
information and descriptive features. In fact, numerous ways for 
combining collaborative and content-based aspects are 
conceivable; [8] lists an entire plethora of hybridization methods. 
However most widely adopted among these, is the so-called 
“collaboration via content” paradigm [12], where content-based 
are built to detect similarities among users.  
 
 
2 A review on the recommendation systems: approaches and 
limitations 
 
This section is a review on the basic approaches of 
recommendation systems. The approaches include content-
based, collaborative filtering, demographic, and hybrid 
approaches. Also there are limitations for the recommendation 
approaches are described in details. 

Today there are different approaches to recommendation systems 
that are used to serve in different contexts based on system 
needs. The content-based approach deals with item profiles and 
user profiles, and it is designed to recommend text-based items. 
The collaborative filtering approach is widely used in 
commercial areas. Amazon uses the collaborative filtering 
approach to recommend books and other products to its 
customers [13]. Recommendation systems based on 
collaborative filtering recommend items to a particular user 
based on the similar items that have been rated by some other 
users, and the target user and the other users share the same 
preferences of items or products. The demographic approach 
recommender systems use demographic information such as the 
gender, age, and date of birth of respective users in order to 
recommend items [13]. 
 
3 Content-based approach 
 
Content-based approach is one of the most widely used 
recommendation approaches. One main component of content-
based is the user modeling process, because the interests of users 
are inferred from the items that users interacted with. Items are 
usually textual, for instance emails or webpages [14]. There are 
actions that are typically established interaction through 
downloading, buying, authoring, or tagging an item. Items are 
showed containing the items’ features. Features are typically 
word-based. Some recommender systems use non-textual 
features, such as writing style, layout information, and XML tags 
[15].  

In content-based approach, the user rates the items, that mean the 
recommender system should understand the common 
characteristics among the items that the user has rated in the 
past. The system then recommends the items that have a high 
degree of similarity to the user’s preferences and tastes. For 
example, in a movie recommendation system, a content-based 
approach tries to understand the common characteristics such as 
actors, directors, genres, etc. among the movies that the user has 
given high ratings in the past. Then, the system recommends the 
movies that have a high degree of similarity to the user’s 
preferences [13]. 

In a content-based recommendation system, a user profile 
contains the user’s preferences of items. A user profile can be 
obtained by analyzing the content of all rated items [5]. 
Specifically, this profile is constructed by using the content 
(keyword) that has been analyzed using the methods that are 
mentioned in the item profile section. Each item in the user’s 
profile has a weight that denotes the importance of keyword Ki 
to the user [5]. This weight can be computed using average 

- 259 -