回归模型（Logistic Regression）、RBM（Restricted Boltzmann Machines）、GBDT（Gradient Boosted Decision Trees）。
根据不同的推荐场景，将不同的推荐算法按照效果优劣进行层次性划分。
主要动机是保证最终推荐结果的多样性。因为不同用户对同一件物品的着眼点往往各不相同，而不同的推荐算法，生成的结果往往代表了一类不同的观察角度所生成的结果，交叉调和技术将不同推荐算法的生成结果，按照一定的配比组合在一起，打包后集中呈现给用户。
将不同的推荐算法视为不同粒度的过滤器，前一个推荐方法过滤的结果，将输出给后一个推荐方法，层层递进，候选结果在此过程中会被逐步遴选，最终得到一个高精确的结果。
从不同的维度做不同的推荐召回，如用户点击行为的“隐式”兴趣、基于人口统计学分析的用户兴趣的类别、基于社交网络的用户兴趣的投射，等。
适用于数据稀疏或质量较差时，单个推荐模型结果都比较差的情况。在模型计算阶段就提前进行算法思路的合并，这样能提前召回好的结果，提升推荐效果。
从商业逻辑的角度来分析，商家往往有一些特定的推荐需求或者推荐规则，需要对算法生成的结果进行调整。亦或者从交互设计的角度来看，推荐结果的展示方式等都有所不同；一些特殊的应用场景可能需要强调地域、时间等信息，对应的推荐挖掘方法和展现都有特殊的要求，这个时候对结果的混合往往要从整个产品的角度来进行设计和处理，从而能够满足不同的需要。