I am curious what are the methods / approaches to overcome the "cold start" problem where when a new user or an item enters the system, due to lack of info about this new entity, making recommendation is a problem.
I can think of doing some prediction based recommendation (like gender, nationality and so on).
您可以冷启动推荐系统。
有两种类型的推荐系统；协同过滤和基于内容。基于内容的系统使用有关您推荐的内容的元数据。那么问题是什么元数据是重要的？第二种方法是协同过滤，它不关心元数据，它只使用人们对某个项目所做或所说的内容来进行推荐。使用协同过滤，您不必担心元数据中的哪些术语很重要。事实上，您不需要任何元数据来进行推荐。协同过滤的问题在于您需要数据。在获得足够数据之前，您可以使用基于内容的推荐。您可以提供基于这两种方法的推荐，并且在开始时 100% 基于内容，然后随着您获得更多数据开始混合基于协同过滤。这就是我过去使用的方法。
另一种常见的技术是将基于内容的部分视为一个简单的搜索问题。您只需将元数据作为文档的文本或正文放入，然后为您的文档编制索引。您可以使用 Lucene 和 Solr 做到这一点，而无需编写任何代码。
如果您想了解基本的协同过滤是如何工作的，请查看 Toby Segaran 的“编程集体智能”的第 2 章
Maybe there are times you just shouldn't make a recommendation? "Insufficient data" should qualify as one of those times.
I just don't see how prediction recommendations based on "gender, nationality and so on" will amount to more than stereotyping.
IIRC, places such as Amazon built up their databases for a while before rolling out recommendations. It's not the kind of thing you want to get wrong; there are lots of stories out there about inappropriate recommendations based on insufficient data.
我自己解决这个问题，但是微软关于玻尔兹曼机器的这篇论文看起来很有价值：http ://research.microsoft.com/pubs/81783/gunawardana09__unified_approac_build_hybrid_recom_system.pdf
这已经被问过好几次了（当然，我现在找不到这些问题了：/，但一般的结论是最好避免这样的建议。在世界的各个部分，相同的名字属于不同的性别，等等......
基于“类似用户喜欢......”的推荐显然必须等待。如果您绝对致力于根据用户相似性进行预测，您可以向调查对象发放优惠券或其他奖励。
还有另外两种冷启动推荐引擎的方法。
所有这些都有很多潜在的陷阱，这是常识，无法提及。
正如您所料，这里没有免费的午餐。但是这样想：推荐引擎不是商业计划。他们只是增强了商业计划。
解决冷启动问题需要做三件事：
必须对数据进行分析，以便您具有许多不同的特征（对于产品数据，用于“特征”的术语通常是“分类方面”）。如果你没有正确地分析数据，你的推荐引擎将保持“冷”，因为它没有任何东西可以用来对推荐进行分类。
最重要：您需要一个用户反馈循环，用户可以通过该循环查看个性化引擎的建议。例如，“此建议有用吗？”的是/否按钮 应将一个训练数据集（即“推荐”训练数据集）中参与者的审查排队到另一个训练数据集（即不推荐训练数据集）。
用于（推荐/不推荐）建议的模型绝不应被视为一刀切的建议。除了对产品或服务进行分类以向客户推荐之外，公司如何对每个特定客户进行分类也很重要。如果功能正常，人们应该期望具有不同功能的客户在给定情况下会得到不同的建议（推荐/不推荐）。那将是个性化引擎的“个性化”部分。