Ein EPFL-Paper auf arXiv stellt eine Cold-Start-Variante des graphenbasierten Empfehlungsansatzes vor: Jeder Vorschlag wird als expliziter, nachvollziehbarer Pfad durch einen Wissensgraphen ausgegeben. Beim Amazon-Clothing-Benchmark übertrifft UPGPR0 die Popularitätsbenchmark für Nutzer ohne Interaktionsverlauf um 119 Prozent beim nDCG. Das Paper trägt den Namen GRECS. Der eigentlich entscheidende Befund steht nicht in der Benchmark-Spalte. Frühere Cold-Start-Systeme versteckten sich entweder in Embeddings, die niemand einsehen konnte, oder hängten einem Sprachmodell nachträglich eine Erklärung an. GRECS macht weder das eine noch das andere: Seine Empfehlungen sind Pfade, und jeder Pfad ist ein Beleg.

Mode hat das gravierendste Cold-Start-Problem im gesamten Einzelhandel. Drop-basiertes Merchandising, saisonale SKU-Fluktuation und ein ungewöhnlich hoher Anteil an Erstkäufern bedeuten, dass an jedem beliebigen Tag ein erheblicher Teil des Katalogs und ein erheblicher Teil der Besucher dem Empfehlungssystem unbekannt sind. Die Standardantwort — Matrixfaktorisierung mit ergänzenden Hilfsmerkmalen — gibt es seit einem Jahrzehnt und behandelt das Problem so, als wäre es ein reines Sparsity-Problem. Es ist aber auch ein Lesbarkeits-Problem. Händler haben keine Möglichkeit, einem verwirrten Kunden, einem Stammkunden oder einer Behörde zu erklären, warum das System genau diesen Vorschlag gemacht hat.

GRECS’ Zahlen sind eine Absage an die spezialisierte Cold-Start-Literatur der letzten zehn Jahre. Das Paper wurde von Jibril Frej, Marta Knežević und Tanja Käser an der EPFL verfasst und testet über fünf Standarddatensätze hinweg: Amazon Beauty, CDs and Vinyl, Cellphones, Clothing sowie das COCO MOOC-Korpus. Ihr bester Algorithmus, UPGPR, verzichtet auf die handgefertigten Pfadmuster früherer graphenbasierter Verfahren und belohnt den Agenten nur dann, wenn der Weg auf einem Artikel landet, den ein Nutzer tatsächlich angesehen hat. Bei strikten Cold-Start-Nutzern ist der Zuwachs unbequeme Lektüre für das Fachgebiet: 198 Prozent über der Popularitätsbenchmark bei Beauty, 116 Prozent bei Cellphones, 119 Prozent bei Clothing. Zwei spezialisierte Cold-Start-Baselines — MKR und SpectralCF — schneiden tatsächlich schlechter ab als ein einfaches Popularitätssystem. Das Feld hat Fortschritte behauptet und dabei schlechtere Systeme ausgeliefert.

Eine LLM-generierte Erklärung für eine Cold-Start-Empfehlung ist eine zweite Geschichte, die nachträglich über die erste erzählt wird — vom selben Erzähler. Post-hoc-Erklärungssysteme können lesbare, natürlichsprachliche Begründungen für eine Empfehlung erzeugen — der Text ist flüssig, die Verweise klingen plausibel. Doch Erklärung und Ranking entstehen in getrennten Prozessen: Die Erklärung kodiert nichts über den Weg, den das Modell tatsächlich genommen hat, um das Ergebnis zu erzeugen. Ein GRECS-Pfad hingegen ist ein Weg, den der Leser selbst nachvollziehen kann — und genau das ist die Unterscheidung, der Cold-Start-Empfehlungssysteme seit einem Jahrzehnt ausweichen.

GRECS liefert etwas, das kein Leaderboard messen kann: eine prüfbare Empfehlung. Es erzeugt explizite Pfade durch einen Wissensgraphen — „Nutzer mochte Marke X; Marke X stellt Artikel Y her; Artikel Y wird empfohlen” —, die ein Produktmanager lesen und eine Behörde prüfen kann. Embedding-Methoden erzwingen eine binäre Entscheidung: Entweder man vertraut der Verlustfunktion, oder man verwirft den Vorschlag. Mit Pfaden kann der Betreiber die konkrete Relation hinterfragen, die das Ranking erzeugt hat. Das ist der Unterschied zwischen einem Black-Box-Score und einer überprüfbaren Aussage. Mode-Unternehmen, die seit achtzehn Monaten KI-Governance-Richtlinien schreiben, ohne ein einziges prüfbares Empfehlungssystem zu haben, können endlich auf etwas zeigen.

Der stärkste Einwand lautet, dass GRECS nur funktioniert, wenn der zugrundeliegende Wissensgraph reich und sauber ist. Spärliche oder inkonsistente Katalog-Tags — mit falsch beschrifteten Style-Codes, fehlenden Attributen und abgeflachten Markenhierarchien — lassen den Graphen degenerieren und machen die Pfade trivial: Nutzer hat Jeans gekauft, empfehle Jeans. Die Autoren räumen das indirekt ein: Ihre Null-Embedding-Variante, die von keinen nützlichen Metadaten ausgeht, erreicht 21 Prozent Cold-Item-Coverage bei Beauty gegenüber 33 Prozent bei der Translation-Embedding-Version. Der Einwand ist stichhaltig, und sein eigentlicher Gehalt ist eine Rechnung für Katalogarbeit, die Modehändler seit einem Jahrzehnt aufschieben. Die Voraussetzung für prüfbare Cold-Start-Empfehlungen ist eine Katalog-Ontologie, die die meisten von ihnen noch nicht aufgebaut haben — und die sich nicht von selbst baut.

Dieser Vorbehalt ist nicht gering.

Wenn Modehändler die Prämisse akzeptieren, dass Cold-Start ein Lesbarkeitsproblem ist und dass undurchsichtige Embeddings kein Produktionsstandard bleiben können, verlagert sich die Arbeit nach oben — in Taxonomie, Attribution und Stilontologie-Design: die stillsten und am wenigsten beachteten Bereiche eines Katalogteams. Wer dort investiert, wird zum ersten Mal in der Lage sein, eine Empfehlung schriftlich zu verteidigen. Die Händler, die das nicht tun, werden weiterhin Vorschläge ausliefern, die sie gegenüber einem Kunden, einem Einkäufer oder einer Behörde nicht erklären können — und das Ergebnis weiterhin „Personalisierung” nennen. Wenn der Governance-Druck im aktuellen Tempo anhält, wird dieses Wort irgendwann etwas bedeuten müssen, das ein Händler laut vorlesen kann.