Wie würdest du das Cold-Start-Problem für neue User und neue Items in einem Recommender lösen?

Behandle die beiden Seiten getrennt. Für neue Items nimm Content-Features (Text, Kategorie, Embeddings aus dem Item selbst), damit sie gescort werden können, bevor Interaktionen existieren, und gib ihnen ein Explorationsbudget. Für neue User fällst du auf Popularität oder Empfehlungen auf Segmentebene zurück, nutzt dann frühe Session-Signale und gehst auf personalisierte kollaborative Signale über, sobald genug Interaktionen zusammenkommen.

Das sind zwei verschiedene Probleme, also behandle ich sie getrennt. Neue Items sind die einfachere Hälfte: ich nutze ein Two-Tower-Setup, bei dem der Item-Tower Content-Features nimmt, also Titeltext, Kategorie, Preisband, ein Embedding der Beschreibung oder des Thumbnails. Damit hat ein frisch hochgeladenes Item ab Minute eins einen brauchbaren Vektor, bevor irgendjemand darauf geklickt hat. Neue User bekommen eine Leiter. Gar nichts heißt Popularität, idealerweise Popularität innerhalb des Kontexts, den ich kenne, etwa Land und Gerät. Sobald sie ein paar Mal interagiert haben, kann ich aus diesen Items eine Session-basierte Repräsentation bauen, die nach meiner Erfahrung mehr wert ist als alles aus einem Fragebogen bei der Anmeldung. Sobald sie eine Interaktionsschwelle überschreiten, wandern sie auf den voll personalisierten Pfad. Was Leute vergessen, ist Exploration. Ein reiner Exploit-Ranker zeigt nie ein neues Item, es bekommt also nie Impressionen, also nie Signal, und der Katalog verknöchert still. Ich reserviere einen Slot im Feed für einen Kandidaten, der nach einer Regel im Stil eines Upper Confidence Bound gewählt wird, und ich tracke Katalogabdeckung als echte Metrik neben der Klickrate.