1. 基于流行度的算法对于新用户的冷启动问题来说是一个优秀的解决方案。这些算法通过某些流行度的测量标准，比如下载最多的或者购买最多的，来对物品进行排名，并将这些流行度最高的物品推荐给新用户。当拥有合适的流行度衡量指标时，这个办法虽然基础却很有效，通常可以为其他算法提供很好的基线标准。流行度算法也可以单独作为算法使用，以引导推荐系统在换到其他更切合用户兴趣点的算法（比如协同过滤算法以及基于内容过滤的算法）前获得足够的活跃度与使用量。流行度模型也可以引入混合算法中，从而解决新用户的冷启动问题。

2. 基于内容和协同过滤的混合算法结合了用户及物品的内容特性以及使用数据，以利用这两类数据的优点。协同过滤算法存在冷启动和稀疏性的问题。因为是基于内容（特性）预测的，这一点并不会对基于内容的算法产生限制。首先用基于内容的推荐得到项目的特性，找出新项目的相似项目，然后通过用户对相似项目的评价来预测对新项目的评分，再用传统的协同过滤推荐在相似项目的范围内计算邻居用户并给出最终的预测评分，使新项目参与到推荐中。