tl;博士：它不能！

为什么不？

这是协同过滤推荐系统（即仅依赖用户-项目交互矩阵来生成推荐的系统）的主要问题之一。

这被称为冷启动问题：

由于协同过滤方法根据用户过去的偏好推荐项目，因此新用户需要对足够数量的项目进行评分，以使系统能够准确地捕捉他们的偏好，从而提供可靠的推荐。
来源

新项目也是如此。

我们该如何对抗呢？

解决此问题的最简单方法是通过人口统计数据初步识别相似用户，并向最能代表他的用户组推荐热门商品。

另一种非常流行的方法是制作混合推荐系统，即采用协同过滤（CF）、基于内容（CB）和/或什至虚拟（D）技术。例如，它最初可以为新用户推荐最受欢迎的商品 (D)，然后开始推荐与他最初喜欢的商品相似的商品，最后当用户对足够多的商品进行评分时，开始寻找具有相似品味的用户。

在实践中，大多数现实世界的推荐系统都是混合的。

Netflix 是使用混合推荐系统的一个很好的例子。该网站通过比较相似用户的观看和搜索习惯（即协同过滤）以及通过提供与用户评价高的电影具有共同特征的电影（基于内容的过滤）来进行推荐。
来源