Тривиальные рекомендующие системы, такие как системы, основанные на простом среднем значении оценок или на популярности товаров, имеют несколько недостатков. Рассмотрим каждый из предложенных вами вариантов:

• Проблема "холодного старта": Да, это действительно является одним из основных недостатков. Проблема "холодного старта" возникает, когда системе трудно делать рекомендации для новых пользователей или новых товаров, так как у них нет достаточного количества данных для анализа.
• Не учитываются интересы конкретного пользователя: Верно. Тривиальные системы часто не могут учитывать индивидуальные предпочтения пользователей, поскольку они основываются на общих данных, а не на анализе конкретного поведения или предпочтений.
• Нечего рекомендовать новым пользователям: Это также верно. Если у нового пользователя нет истории взаимодействия с системой, то система не сможет предложить ему какие-либо рекомендации, что делает ее менее эффективной.
• Надо хранить всю матрицу F: Это недостаток не является специфическим для тривиальных рекомендующих систем. Хранение большой матрицы может быть проблемой для систем, основанных на более сложных алгоритмах, но не является основным недостатком тривиальных подходов.

Таким образом, правильными ответами на ваш вопрос будут:

• Проблема "холодного старта"
• Не учитываются интересы конкретного пользователя
• Нечего рекомендовать новым пользователям

В общем, тривиальные рекомендующие системы могут быть полезны для получения базовых рекомендаций, но для более точных и персонализированных рекомендаций лучше использовать более сложные подходы, такие как коллаборативная фильтрация или контентная фильтрация.