Рекомендаційні системи повсюдно поширені на сучасних цифрових платформах, направляючи користувачів до відповідних елементів з величезних каталогів. Значна проблема виникає в сценаріях рекомендацій з обмеженим набором даних, де нові елементи або користувачі мають дуже обмежені дані взаємодії, що ускладнює точні пропозиції для традиційних рекомендаційних моделей. Ця стаття досліджує застосування методів мета-навчання для вирішення проблеми рекомендацій з обмеженим набором даних. Ми пропонуємо рамки мета-навчання, які дозволяють швидко адаптуватися до нових рекомендаційних завдань лише з кількома прикладами. Наш підхід навчає мета-навчача на колекції різноманітних рекомендаційних завдань, дозволяючи йому отримувати знання, які можна перенести, про те, як ефективно навчатися з обмежених даних. Ми досліджуємо різні алгоритми мета-навчання, включаючи MAML та Reptile, та адаптуємо їх до унікальних характеристик рекомендаційних завдань. Широкі експерименти на кількох реальних наборах даних демонструють, що наш підхід мета-навчання значно перевершує сильні базові показники в умовах рекомендацій з обмеженим набором даних, що призводить до більш точних та персоналізованих рекомендацій для нових елементів та користувачів.