Тест, свързан с ръководство · Среден Ниво

AI в ресторанта и тест за препоръки за меню

Оценете препоръките за храна, филтрирането на взаимодействието, текста на прегледа, извличането, вгражданията, наличността и ограниченията на потребителския контекст.

Свързани ръководни пътекиПрепоръка за AI в ресторант и меню
Въпрос 1 на 8

На какво основно разчита съвместното филтриране, за да прави препоръки?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. На какво основно разчита съвместното филтриране, за да прави препоръки?
    • Модели от потребители с подобни вкусове
    • Хранителното съдържание на всяко ястие
    • Интериорен дизайн на ресторанта
    • Кухненска температура в реално време
  2. Защо NLP моделите за копаене на прегледи са полезни в приложенията за храна?
    • Те приготвят храната по-бързо
    • Те обобщават настроението и извличат сигнали на ниво чиния от текста
    • Те заместват нуждата от менюта
    • Те определят цените в ресторантите
  3. In a proposed two-stage food recommender, what would candidate retrieval do before ranking?
    • Confirm the restaurant reservation
    • Process the customer’s payment
    • Select a candidate subset for a later scoring stage
    • Guarantee the final recommendation matches every preference
  4. За какво се използват вгражданията в препоръките на менюто?
    • Съхраняване на клиентски пароли
    • Шифроване на адреси за доставка
    • Измерване на температурата на пещта
    • Представяне на ястия като вектори, така че подобни предмети да стоят близо един до друг
  5. Why can a new diner with no recorded preferences pose a cold-start problem?
    • Interaction-based personalization has little user-history evidence to work from
    • The restaurant must change its menu
    • The model cannot represent food text
    • Opening hours become unavailable to everyone
  6. What can the MenuAI research system do with a menu image and a nutritional search key?
    • Book a table without user confirmation
    • Rank menu dishes according to a query such as calories or protein
    • Diagnose a food allergy from a photograph
    • Guarantee a dish is available today
  7. Why include restaurant availability or opening hours in recommendations?
    • It improves a model’s parameter count
    • It guarantees the restaurant is highest rated
    • A highly relevant option is not useful if it is unavailable at the requested time
    • It replaces user preferences
  8. What is one limitation of review-mining sentiment for food recommendations?
    • Sentiment scores are always objective
    • Reviews contain exact nutrition facts
    • Review mining removes popularity bias
    • A review’s language may be sparse, subjective, or unrepresentative of the current menu