Фундаментальной проблемой, с которой сталкиваются современные рекомендательные системы, является феномен холодного старта, заключающийся в невозможности формирования персонализированных рекомендаций в условиях дефицита исторических данных о пользовательских предпочтениях. Традиционные методы решения данной проблемы предполагают сбор информации посредством анкетирования или привлечение данных от сторонних источников, что может приводить к компрометации конфиденциальности пользователей. В данной статье предложен алгоритм, основанный на теории культурных измерений Хофстеде, который позволяет формировать рекомендации без необходимости получения персональных данных напрямую. Алгоритм устанавливает связи между пользователями, анализируя их культурные характеристики, что способствует повышению точности прогнозирования предпочтений. Для дополнительного улучшения результатов применяется метод матричной факторизации, позволяющий выявлять скрытые закономерности в пользовательских предпочтениях даже при отсутствии явных данных о взаимодействии с системой. Эффективность предложенного авторами подхода была подтверждена в ходе экспериментов на наборе данных WS-Dream. Полученные результаты демонстрируют, что учет культурных факторов позволяет значительно повысить качество рекомендаций, особенно в условиях холодного старта. Интеграция метода матричной факторизации способствует более точному моделированию латентных факторов, влияющих на пользовательский выбор, и позволяет корректировать рекомендации в соответствии с выявленными закономерностями. Включение культурных характеристик в процесс рекомендаций превосходят консервативные методы, основанные исключительно на поведенческих данных, и обеспечивают более персонализированный подход к новым пользователям.