Тест, свързан с ръководство · Среден Ниво

Тест за AI в системите за препоръки

Прегледайте съвместното и базирано на съдържанието филтриране, оскъдни данни за потребителски артикули, ограничения за студено стартиране и показатели за оценка на класирани препоръки.

Свързани ръководни пътекиAI в системите за препоръки
Въпрос 1 на 8

На какво се основава съвместното филтриране?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. На какво се основава съвместното филтриране?
    • Модели на предпочитания сред много потребители
    • Цветовете, използвани в изображението на артикул
    • Дължината на описанията на продуктите
    • Произволно разбъркване на каталога
  2. Какво използва базираното на съдържание филтриране, за да прави препоръки?
    • Само времето на деня
    • Характеристики на артикулите и предишните ви предпочитания
    • Цената на акциите на компанията
    • Хвърляне на монета
  3. Какъв проблем решава матричното факторизиране в препоръчителите?
    • Криптиране на потребителски пароли
    • Компресиране на видео файлове
    • Превръщане на рядка матрица потребителски артикул в компактни латентни вектори
    • Маршрутизиране на интернет трафик
  4. Какъв е проблемът със „студения старт“?
    • Сървърите са твърде студени за работа
    • Вирус, който замразява акаунти
    • Препоръки за работа само през зимата
    • Трудност при препоръчване за съвсем нови потребители или елементи без история
  5. Каква конкуренция помогна за популяризирането на изследванията за препоръки?
    • Наградата на Netflix
    • Наградата на Тюринг
    • Нобеловата награда
    • Конкурсът на Евровизия
  6. What did Meyer and colleagues propose the Average Measure of Impact to evaluate?
    • Image classification accuracy
    • The impact of personalized recommendations on usefulness and trust
    • The number of ratings stored in a matrix
    • The GPU memory used by a recommender
  7. Which metric is designed to assess the quality of a ranked top-K recommendation list?
    • Mean absolute error on a single rating only
    • Pixel accuracy
    • NDCG@K
    • Процент на грешки в думите
  8. Why can a low rating-prediction error fail to guarantee a good recommendation list?
    • RMSE directly measures user satisfaction for every ranking
    • Every user sees every catalog item
    • A rating model cannot use user-item data
    • Rating accuracy and top-item ranking quality are different objectives