Тест, свързан с ръководство · Среден Ниво

Тест за системи за препоръки за изкуствен интелект

Преглед на методите за препоръки, съвместно филтриране и филтриране на съдържание, матрична факторизация, хибридни системи и рискове за ангажиране.

Свързани ръководни пътекиСистеми за препоръчване на AI
Въпрос 1 на 8

На какво разчита „съвместното филтриране“, за да прави препоръки?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. На какво разчита „съвместното филтриране“, за да прави препоръки?
    • Модели на много потребители с подобни вкусове
    • Само текстовото описание на всеки артикул
    • Цената на продукта
    • Фиксиран редакционен списък с топ 10
  2. Филтрирането, базирано на съдържание, препоръчва елементи главно чрез:
    • Случайна извадка от каталога
    • Съпоставяне на характеристиките на артикула с предишните ви предпочитания
    • Преброяване на общите глобални продажби
    • Молим други потребители да гласуват
  3. What did the Netflix Prize seek to improve by 10% over the Cinematch baseline?
    • Click-through rate for every recommended film
    • The number of films watched per user
    • Root mean squared error (RMSE) on the competition’s held-out ratings
    • A user’s average watch time on the service
  4. При матричната факторизация потребителите и елементите са представени като:
    • Единични флагове за да/не
    • Рецензии с обикновен текст
    • Календарни дати
    • Вектори на скрити „латентни фактори“
  5. What mechanism did the Deep Interest Network paper propose for modeling a user’s different interests across candidate ads?
    • A local activation unit that forms a candidate-specific interest representation
    • A fixed user vector that is identical for every candidate
    • A rule that selects only the most popular ad
    • A graph algorithm that proves every ad is relevant
  6. „Хибриден“ препоръчител е този, който:
    • Работи само през почивните дни
    • Комбинира съвместни и базирани на съдържание методи
    • Не използва никакви данни
    • Препоръчва само най-новите артикули
  7. What is one limitation of collaborative filtering for a new item with no interactions?
    • It cannot use ratings
    • It requires item descriptions only
    • It may lack the interaction data needed to recommend the item
    • It always recommends every new item
  8. What should a recommender evaluation measure besides click-through rate?
    • Only the model’s parameter count
    • Only training loss
    • Only the number of recommendations
    • User outcomes and harms such as diversity, exposure, or unwanted engagement