Comment traiteriez-vous le démarrage à froid pour les nouveaux utilisateurs et les nouveaux articles dans un moteur de recommandation ?

Traitez les deux côtés séparément. Pour les nouveaux articles, utilisez des caractéristiques de contenu (texte, catégorie, embeddings dérivés de l'article lui-même) pour pouvoir les scorer avant toute interaction, et donnez-leur un budget d'exploration. Pour les nouveaux utilisateurs, repliez-vous sur la popularité ou des recommandations au niveau du segment, puis exploitez les signaux de début de session et passez aux signaux collaboratifs personnalisés une fois assez d'interactions accumulées.

Ce sont deux problèmes différents, donc je les traite séparément. Les nouveaux articles sont la moitié la plus facile : j'utilise un montage à deux tours où la tour article prend des caractéristiques de contenu, donc le texte du titre, la catégorie, la tranche de prix, un embedding de la description ou de la vignette. Cela veut dire qu'un article tout juste mis en ligne a un vecteur utilisable dès la première minute, avant que quiconque ait cliqué dessus. Les nouveaux utilisateurs ont une échelle. Rien du tout, c'est la popularité, idéalement la popularité dans le contexte que je connais, comme le pays et l'appareil. Dès qu'ils interagissent deux ou trois fois je peux construire une représentation de session à partir de ces articles, ce qui d'après mon expérience vaut plus que tout ce qu'un questionnaire d'inscription pourrait donner. Puis une fois passé un certain nombre d'interactions, ils basculent sur le chemin entièrement personnalisé. La pièce qu'on oublie, c'est l'exploration. Un classeur purement exploitant ne fait jamais remonter un nouvel article, donc il n'a jamais d'impressions, donc il n'a jamais de signal, et le catalogue s'ossifie en silence. Je réserve une place dans le fil à un candidat choisi selon une règle du type borne de confiance supérieure, et je suis la couverture du catalogue comme une vraie métrique à côté du taux de clic.