На конференции ACM CIKM в Риме представили два подхода к проблеме холодного старта в рекомендательных системах, когда о новом товаре или фильме ещё нет истории взаимодействий. Обе работы опираются на методы обработки текста и архитектуру Mixture of Experts, применяемую в современных LLM. Первая модель, E2L3AE, предлагает обучать текстовый энкодер и рекомендательную систему совместно. Раньше текстовую модель тренировали отдельно, и её эмбеддинги не всегда отражали признаки, важные для выдачи. Теперь история покупок и просмотров напрямую влияет на обучение энкодера, помогая выделять в описаниях характеристики, связанные с предпочтениями пользователей, и точнее рекомендовать новые объекты по их текстовым описаниям. Вторая модель, MoE-IGR, работает с графом взаимодействий, где пользователи и объекты выступают узлами, а покупки и просмотры — связями. В обычных графовых моделях разные объекты обрабатываются по одной схеме, хотя их особенности могут сильно различаться. Здесь применяется Mixture of Experts: модель анализирует характеристики объекта и подбирает для него комбинацию специализированных нейросетей, что помогает лучше учитывать особенности нового контента при холодном старте. В экспериментах E2L3AE повысила полноту рекомендаций на 20%, а MoE-IGR улучшила качество ранжирования новых объектов почти на 35% относительно базовых решений в отдельных сценариях.