Методы: матрица возможностей

Каждый метод — это ColdStartMethod: он объявляет requires, обучается на TransferInputs и предсказывает long-format [user_id, item_id, score] для cold items.

Как читать матрицу

• Requires — точные input kinds, объявленные registered class.
• Model-agnostic значит, что методу нужны выгруженные scores/interactions/content, а не внутренности донора.
• Popularity pull отмечает методы, которые могут наследовать popularity warm-neighbor items, если benchmark не докажет обратное.
• Обозначения: да · нет · popularity pull low · medium · high · intended (у baseline by design) · none.

Method	Requires	Family	Model-agnostic	Calibrates scale	Popularity pull	First try when...
linmap	content, donor_scores	score-space mapping			low	есть donor scores и item content
stacking_plus	content, donor_scores, train_interactions, val	supervised hybrid			low	есть val-cold fold
stacking	content, donor_scores, similarity, train_interactions, val	supervised hybrid			medium	нужен KNN signal плюс affinity/popularity features
scale_shift	content, donor_scores, similarity	score-space mapping			medium	нужен scale/shift diagnostic поверх KNN scores
logreg_calib	content, donor_scores, similarity, val	supervised calibration			medium	нужен supervised diagnostic с val-cold labels
knn_score_avg	content, donor_scores, similarity	content neighbors			high	нужен самый простой neighbor-score baseline
attention_knn	content, donor_scores, similarity	content neighbors			high	нужны softmax-weighted neighbors
debiased_knn	content, donor_scores, similarity	content neighbors			medium	тестируете popularity subtraction
linmap_emb	content, embeddings	embedding mapping			low	donor отдаёт user/item embeddings
magnitude_scaling	content, embeddings	embedding debiasing			low	cold embedding norms выглядят overconfident
dropoutnet	content, embeddings	neural embedding mapping			low	можно использовать torch и donor embeddings
embedding_avg	content, embeddings, similarity	embedding neighbors			high	нужен простой embedding-neighbor baseline
attention_emb	content, embeddings, similarity	embedding neighbors			medium	нужен attention over neighbor embeddings
grouped_most_popular_pers	content, train_interactions	baseline			intended	нужен главный сильный baseline
grouped_most_popular	content, train_interactions	baseline			intended	нужна неперсонализированная grouped popularity
most_popular	train_interactions	baseline			intended	нужна global popularity
random	none	baseline			none	нужен sanity-check floor

Рекомендуемый путь

1. Начните с grouped_most_popular_pers и linmap.
2. Добавьте stacking_plus, если есть validation-cold fold.
3. Используйте KNN и embedding-neighbor methods как diagnostics для popularity inheritance.
4. Используйте embedding methods только если donor отдаёт embeddings.

См. Семейства методов для концепций и главные результаты для benchmark table.

Важная поправка про calibration

Platt и isotonic calibration — монотонные преобразования. Они могут улучшить probability quality (logloss/Brier), но не меняют rank-based metrics и AUC. Если метод проигрывает по AUC, проблема в ranking, а не в score calibration.

Ссылки

• SimCSR — Han & Chun, "Addressing the Item Cold-Start Using Similar Warm Items", 2021
• DropoutNet — Volkovs et al., NeurIPS 2017
• MWUF — Zhu et al., SIGIR 2021, arXiv:2105.04790
• Gantner et al., "Learning Attribute-to-Feature Mappings", ICDM 2010
• On Inherited Popularity Bias in Cold-Start, RecSys 2025, arXiv:2510.11402