Как выбрать метод

Начните с inputs, которые можете предоставить. Method registry проверяет requires, поэтому выбор метода в основном зависит от доступности данных.

Decision table

У вас есть...	Try first	Then compare with
Warm donor scores + item content	linmap	grouped_most_popular_pers, knn_score_avg
Warm donor scores + content + val-cold fold	stacking_plus	linmap, stacking
Cold-to-warm similarity only	knn_score_avg	attention_knn, debiased_knn
Donor embeddings	linmap_emb	attention_emb, magnitude_scaling, dropoutnet
Только interactions/content, без donor scores	grouped_most_popular_pers	most_popular

Recommended benchmark set

methods:
  - name: grouped_most_popular_pers
  - name: linmap
  - name: stacking_plus
  - name: knn_score_avg

Добавляйте embedding methods только для donors, которые отдают embeddings. CatBoost и EASE не дают такой же latent-factor interface, как ALS/BPR/Two-Tower, поэтому [EMB] methods для них можно пропускать.

Интерпретировать результат

• Если linmap бьёт Grouped MP, donor score structure переносится через content.
• Если выигрывает stacking_plus, validation-cold data добавляет полезные popularity/affinity features.
• Если выигрывают KNN methods, проверьте, это real personalization или inherited popularity.
• Если ни один transfer method не бьёт Grouped MP, cold content может не объяснять donor signal.