এআই রেকমেন্ডেশন সিস্টেম কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. সুপারিশ করার জন্য 'সহযোগী ফিল্টারিং' কিসের উপর নির্ভর করে?
   • একই স্বাদের অনেক ব্যবহারকারী জুড়ে প্যাটার্ন
   • প্রতিটি আইটেমের পাঠ্য বিবরণ শুধুমাত্র
   • পণ্যের দাম
   • একটি নির্দিষ্ট সম্পাদকীয় শীর্ষ-10 তালিকা
2. বিষয়বস্তু-ভিত্তিক ফিল্টারিং প্রধানত দ্বারা আইটেম সুপারিশ করে:
   • ক্যাটালগের র্যান্ডম স্যাম্পলিং
   • আপনার অতীতের পছন্দগুলির সাথে আইটেম বৈশিষ্ট্যগুলিকে মেলানো৷
   • মোট বিশ্বব্যাপী বিক্রয় গণনা
   • অন্য ব্যবহারকারীদের ভোট দিতে বলুন
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. ম্যাট্রিক্স ফ্যাক্টরাইজেশনে, ব্যবহারকারী এবং আইটেমগুলিকে এইভাবে উপস্থাপন করা হয়:
   • একক হ্যাঁ/না পতাকা
   • প্লেইন টেক্সট পর্যালোচনা
   • ক্যালেন্ডার তারিখ
   • লুকানো 'সুপ্ত কারণের' ভেক্টর
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. একটি 'হাইব্রিড' সুপারিশকারী হল:
   • শুধুমাত্র সপ্তাহান্তে কাজ করে
   • সহযোগিতামূলক এবং বিষয়বস্তু-ভিত্তিক পদ্ধতিগুলিকে একত্রিত করে
   • কোনো ডেটা ব্যবহার করে না
   • শুধুমাত্র নতুন আইটেম সুপারিশ
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