গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

এআই পার্সোনালাইজেশন ইঞ্জিন কুইজ

সুপারিশকারী সিস্টেমগুলি কীভাবে একজন ব্যবহারকারীর জন্য একটি তালিকা তৈরি করতে আচরণ, আইটেম বৈশিষ্ট্য, প্রার্থী পুনরুদ্ধার এবং র‌্যাঙ্কিংকে একত্রিত করে তা শিখুন।

সম্পর্কিত গাইড পাথএআই পার্সোনালাইজেশন ইঞ্জিন
প্রশ্ন 1 এর 8

সহযোগী ফিল্টারিং প্রাথমিকভাবে কিসের উপর নির্ভর করে?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. সহযোগী ফিল্টারিং প্রাথমিকভাবে কিসের উপর নির্ভর করে?
    • অনেক ব্যবহারকারী জুড়ে প্যাটার্ন, যেমন 'যারা X পছন্দ করেছে তারাও Y পছন্দ করেছে'
    • প্রতিটি আইটেমের শুধুমাত্র টেক্সট বিবরণ
    • ব্যবহারকারীর ডিভাইসের ব্যাটারির স্তর
    • একটি নির্দিষ্ট সম্পাদকীয় শীর্ষ-10 তালিকা
  2. ব্যক্তিগতকরণে 'কোল্ড-স্টার্ট সমস্যা' কী?
    • সার্ভারগুলি বুট হতে খুব বেশি সময় নিচ্ছে৷
    • একটি নতুন ব্যবহারকারী বা নতুন আইটেম সম্পর্কে সামান্য বা কোন তথ্য আছে
    • সুপারিশ শুধুমাত্র শীতকালে কাজ
    • ব্যবহারকারীরা ঘন ঘন লগ আউট করে
  3. একটি সাধারণ দুই-পর্যায়ের আর্কিটেকচারে, প্রথম (প্রার্থী-প্রজন্ম) পর্যায়টি কী করে?
    • অবিকল শুধুমাত্র দশটি আইটেম স্থান
    • চূড়ান্ত পণ্যের বিবরণ লেখে
    • দ্রুত লক্ষ লক্ষ আইটেমকে কয়েকশোতে সংকুচিত করে
    • নিষ্ক্রিয় ব্যবহারকারী অ্যাকাউন্ট মুছে দেয়
  4. Why might a recommender add a diversity objective to a ranked list?
    • To guarantee every item receives equal clicks
    • To remove all user-history signals
    • To make every recommendation random
    • To avoid filling the list with near-duplicate items and broaden the alternatives shown
  5. একটি সুপারিশ সিস্টেমে 'এম্বেডিং' কি?
    • ভেক্টর ব্যবহারকারী এবং আইটেম প্রতিনিধিত্ব করে তাই ঘনিষ্ঠতা প্রাসঙ্গিকতা সংকেত
    • সার্ভারে শারীরিক চিপ
    • ব্রাউজারে সংরক্ষিত কুকিজ
    • ইমেল বিষয় লাইন
  6. কেন অন্তর্নিহিত প্রতিক্রিয়া (ক্লিক, দেখার সময়) প্রায়শই সুস্পষ্ট তারকা রেটিংগুলির চেয়ে বেশি ওজন করা হয়?
    • এটি জাল করা সহজ
    • এটি অনেক বেশি প্রচুর এবং প্রকৃত আচরণ প্রতিফলিত করে
    • এটি আইন দ্বারা প্রয়োজনীয়
    • তারকা রেটিং অবৈধ
  7. What does content-based filtering use to recommend items?
    • Only other users’ passwords
    • Random item order
    • Features of items a user has liked or interacted with
    • The device’s battery history
  8. What does normalized discounted cumulative gain (NDCG) evaluate?
    • The number of users who created accounts
    • The model’s training duration
    • Whether an item description is grammatically correct
    • The quality of a ranked list, giving higher weight to relevant items near the top