تعد مشكلة توصية العناصر الجديدة أو الباردة (cold-start) من أبرز التحديات التي تواجه أنظمة التوصيات في مختلف المجالات. تتجلى هذه المشكلة في عدم وجود تاريخ تفاعلات لتلك العناصر، مما يصعّب من مهمة تقديم توصيات دقيقة. في السابق، كانت النماذج الأخرى تحاول التغلب على هذه العقبة عبر استخدام ميزات محتوى العناصر، لكنها كانت بشكل عام تعاني من "معضلة التذبذب" (seesaw dilemma)، حيث أن تحسين الأداء للعناصر الجديدة كان يأتي على حساب أداء العناصر المعروفة.

تحليل هذه المعضلة يظهر أنها تكمن ضمن اختلاف أساسي في التوزيع. فعلى عكس العناصر الساخنة، التي تستفيد من إشارات تفاعل غنية تعزز من تمثيلها في ما يُعرف بـ "مانيفولد السلوك"، تكون العناصر الباردة مقيدة بالاعتماد على "مانيفولد الدلالات" المستمد من المحتوى فقط. مما أدى إلى أن النماذج السابقة كانت تضطر للضغط على التوزيع المتباين بين هذه المساحات، مما أثر سلباً على دقة التمثيل.

لكن مع إطلاق نموذج DiffCold، تم تقديم حل مبتكر يعتمد على آلية الانبثاق (diffusion) لتوحيد تمثيلات العناصر الباردة والساخنة. وخلافاً لنماذج Generative Adversarial Networks (GANs) أو Variational Autoencoders (VAEs)، يستفيد نموذج DiffCold من الانبثاق الشرطي لإعادة بناء تمثيلات العناصر الساخنة اعتماداً على المحتوى المقدم، مع الحفاظ على بنية المانيفولد الأساسية بلا أي تدهور.

كذلك تم تعزيز هذا النموذج بتصميمين محددين، الأول هو "مجمّع مُحسن للاسترجاع" (Retrieval-enhanced Aggregator) الذي يبدأ عملية التوليد باستخدام عناصر ساخنة مشابهة دلالياً لتجاوز الضوضاء غير الفعالة. والثاني هو "وحدة محاذاة التمثيل المبنية على المحاكاة" (Simulation-based Representation Alignment module)، التي تضمن تجانس التوزيع بين التمثيلات المُنتجة وتلك الحقيقية عبر التعلم التبايني.

أثبتت التجارب على ثلاثة معايير مرجعية أن DiffCold حلّت معضلة التذبذب، متفوقة بشكل مستمر على أحدث الأساليب في جميع المؤشرات. هذا التطور يُبشر بمستقبل أكثر كفاءة في أنظمة التوصيات، مما يسهل تجربة المستخدم ويعزز من الاعتماد على حلول الذكاء الاصطناعي.