あるECサイトがAmazon Personalizeを導入して商品レコメンデーションを開始しました。ところが、新規会員登録したばかりのユーザーへのレコメンド精度が著しく低いという問題が発生しました。この問題の原因として最も適切な説明はどれですか？
コールドスタート問題は、協調フィルタリング（ユーザー間の行動パターンの類似性を利用してレコメンドを生成する手法）などの推薦システムにおいて、行動履歴のない新規ユーザー（ユーザーコールドスタート）や登録直後の新商品（アイテムコールドスタート）への推薦精度が低くなる現象です。Amazon Personalizeでは、ユーザー属性（年齢・性別など）を補助情報として活用したり、人気商品を優先するフォールバック戦略を組み合わせることで対処できます。 選択肢A の過学習（Overfitting）はモデルが訓練データに特化しすぎる問題ですが、既存ユーザーへの推薦は正常に動作しているため原因ではありません。 選択肢C のデータドリフト（Data Drift）は入力データの分布が時間とともに変化する現象であり、新規・既存ユーザー全体に影響するため新規ユーザーのみの問題とは一致しません。 選択肢D の次元の呪い（Curse of Dimensionality）は高次元特徴空間でのモデル学習の困難さを指す概念であり、特定ユーザーグループの推薦精度低下ではなくモデル全体の性能に関わる問題です。