به طور کلی در این پایان نامه، سعی بر ترکیب مناسب روش های امتیاز دهی در سیستم های توصیه گر است. در هر سیستم توصیه گر، با توجه به اطلاعات کسب شده از پیشینه انتخاب و نظرسنجی هریک از کاربران در مورد اقلام متفاوت، یک مدل ساخته می شود. سپس بر اساس این مدل، با در نظر گرفتن کاربری که به سیستم وارد می شود، امتیازی به هر یک از اقلام موجود در سیستم (که تا به حال توسط آن کاربر دیده نشده اند) اختصاص می دهد. سپس مبتنی بر امتیازی که به هر قلم داده شده است آنها را مرتب کرده و به تعداد دلخواه، اقلام ابتدای لیست را به کاربر مورد نظر پیشنهاد می کند. روش های متفاوتی برای ترکیب این سسیتم ها ارائه شده است، اما در این پایان نامه مدل ترکیب خطی این روش ها مد نظر قرار می گیرد. در این مدل سعی می شود با استفاده از هر یک از سیستم های اولیه، به ازاء هر کاربر، به هر قلم خاص یک امتیاز داده می شود. سپس با ترکیب خطی این امتیازات، یک امتیاز کلی برای هر ترکیب کاربر-قلم محاسبه می شود. در نهایت به ازاء هر کاربر، یک لیست مرتب شده از اقلام (بر اساس این امتیاز کلی) آماده شده و اقلام با بیشترین امتیاز به وی توصیه می شود. رویکرد اصلی این پایان نامه ترکیب تعدادی از سیستم های پیشنهاددهنده با استفاده از وزن دهی این روش ها و ترکیب خطی امتیازات می باشد. فرمول زیر، ترکیب خطی امتیازات هر روش پایه را نشان می دهد: در این راستا، چگونه تنظیم کردن این ضرایب خطی از اهمیت بالایی برخوردار است که در این پایان نامه تلاش بر آن است که با دو رویکرد متفاوت این ضرایب مقدار دهی شوند. در نگاه اول می توان با استفاده از برخی توابع اکتشافی و حریصانه، با هدفی مشخص این ضرایب را تنظیم کرد. به عنوان مثال، هر روش پایه ممکن است بازه متفاوتی از امتیازدهی را داشته باشد. در این شرایط تأثیر روش های پایه که همواره امتیازات بالایی را به اقلام می دهند، در امتیاز نهایی همواره بیشتر از باقی روش ها است در حالیکه ممکن است این تأثیرگذاری مورد نظر نباشد. پس می توان با انتساب وزن کمتر به چنین روشی، از تأثیرگذاری بیش از حد آن کاست و بالعکس. در رویکرد دیگر می توان، با تعیین یک تابع هدف و استفاده از هر یک از روش های یادگیری ماشین به تنظیم وزن این روش ها پرداخت به گونه ای که تابع هدف مذکور بهینه شود.