¿Cómo manejarías el problema del arranque en frío para usuarios y artículos nuevos en un recomendador?

Trata los dos lados por separado. Para artículos nuevos, usa características de contenido (texto, categoría, embeddings derivados del propio artículo) para que puedan puntuarse antes de tener interacciones, y dales presupuesto de exploración. Para usuarios nuevos, cae en popularidad o en recomendaciones a nivel de segmento, luego usa las señales tempranas de la sesión y pasa a señales colaborativas personalizadas cuando se acumulen suficientes interacciones.

Son dos problemas distintos, así que los trato por separado. Los artículos nuevos son la mitad fácil: uso un montaje de dos torres donde la torre de artículo toma características de contenido, o sea el texto del título, la categoría, la banda de precio, un embedding de la descripción o de la miniatura. Eso significa que un artículo recién subido tiene un vector usable desde el primer minuto, antes de que nadie haya hecho clic. Los usuarios nuevos reciben una escalera. Nada de nada significa popularidad, idealmente popularidad dentro del contexto que sí conozco, como país y dispositivo. En cuanto interactúan un par de veces puedo construir una representación basada en la sesión a partir de esos artículos, que en mi experiencia vale más que cualquier cosa sacada de un cuestionario de registro. Luego, cuando cruzan un número de interacciones, pasan a la ruta totalmente personalizada. La pieza que la gente olvida es la exploración. Un ranker puramente explotador nunca saca un artículo nuevo, así que nunca recibe impresiones, así que nunca recibe señal, y el catálogo se osifica sin hacer ruido. Reservo un hueco en el feed para un candidato elegido con una regla de tipo cota superior de confianza, y sigo la cobertura del catálogo como métrica real junto a la tasa de clic.