Популярность и Grouped MP

Самый сильный простой бейзлайн в проекте — personalized Grouped Most Popular (grouped_most_popular_pers). Он использует историческую affinity пользователя к content group cold item, а не считает все cold items одинаково неизвестными.

Почему наивный transfer проигрывает

Nearest-neighbor методы выглядят естественно: найти warm items, похожие на cold item, и усреднить донорские скоры этих соседей. Проблема в том, что соседи часто приносят с собой global popularity. Cold item рядом с популярными warm items получает завышенные скоры, даже если персонализация слабая.

Частая ловушка

Высокая similarity к популярным warm items — это не то же самое, что персонализированный cold-start score.

Wrong / right

Pattern	Result
Усреднить скоры похожих warm items и остановиться	Часто наследует popularity соседей
Сравнивать с grouped popularity baseline	Показывает, есть ли реальная польза от transfer
Использовать popularity как feature или anchor	Помогает stacking и stacking_plus
Учить content-to-score structure напрямую	Помогает linmap сохранить personalization донора

Отсюда главная гипотеза проекта: наивного transfer недостаточно, но calibrated transfer может обойти Grouped MP.