Cold Start Problem – trudność modelu w rekomendowaniu treści dla nowych użytkowników.

Jest to wyzwanie w systemach rekomendacyjnych polegające na trudności w generowaniu trafnych sugestii dla nowych użytkowników, którzy dopiero rozpoczynają korzystanie z platformy. Problem ten wynika z braku wystarczających danych na temat preferencji i zachowań tych użytkowników, co utrudnia modelom uczenia maszynowego dokonywanie skutecznych predykcji.

W praktyce oznacza to, że system nie dysponuje historią interakcji użytkownika, co jest podstawą do personalizacji rekomendacji. W związku z tym, algorytmy często sięgają po dane ogólne, demograficzne lub informacje o podobnych użytkownikach, co jednak nie zawsze przekłada się na wysoką jakość proponowanych treści. Rozwiązania tego problemu obejmują między innymi wykorzystanie technik uczenia transferowego, integrację informacji z zewnętrznych źródeł, a także stosowanie strategii angażujących użytkownika w proces dostarczania danych na temat jego preferencji.