零样本学习 (ZSL) 通过使推荐系统能够处理新用户、新物品或新类别没有先验互动数据的情况来改进推荐系统。传统的推荐模型严重依赖历史用户-物品互动（如点击或购买）进行预测，这在处理新条目时会失败——这个问题被称为“冷启动”。ZSL 通过使用语义关系或元数据来推断推荐，而无需在目标数据上进行显式训练，从而解决了这个问题。例如，一个 ZSL 模型可以通过理解新发布电影的属性（类型、导演、关键词）并将其与用户喜欢的类似电影关联起来，向用户推荐该电影，即使这部新电影没有用户互动历史。
一个实际例子是电子商务。假设一个平台推出了一个没有购买历史的新产品。基于 ZSL 的系统可以分析产品的元数据——例如颜色、品牌或产品描述——并将其与之前互动过具有相似属性的物品的用户进行匹配。同样，对于新用户，ZSL 可以利用人口统计数据（年龄、地点）或注册时声明的偏好，根据具有相似特征的用户推荐物品。这种方法在推荐研究论文等小众领域特别有用：一个在现有出版物上训练的模型可以通过将新发表论文的摘要和关键词映射到用户的阅读历史，来推荐新发表的论文，即使这篇新论文还没有被任何人阅读过。
然而，ZSL 的有效性取决于元数据的质量以及模型泛化的能力。例如，如果产品属性定义不清或缺乏语义丰富性（例如，“其他”等模糊标签），推荐可能会不准确。开发者可以通过将 ZSL 与协同过滤相结合来缓解这个问题——对冷启动物品使用 ZSL，并在互动数据积累后切换到传统方法。基于嵌入的 ZSL 技术，其中物品和用户被映射到共享的语义空间（例如，使用词嵌入处理文本描述），也可以提高泛化能力。通过集成 ZSL，推荐系统变得更具适应性，减少了对大型数据集的依赖，同时为新条目或代表性不足的条目保持了相关性。