Kvíz spojený s průvodcem · Střední úroveň

AI v kvízu o systémech doporučení

Prohlédněte si filtrování založené na spolupráci a obsahu, řídká data o uživatelských položkách, limity studeného startu a metriky pro hodnocení seřazených doporučení.

Související vodicí cestyAI v systémech doporučení
Otázka 1 z 8

Na čem je založeno kolaborativní filtrování?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Na čem je založeno kolaborativní filtrování?
    • Vzory preference mnoha uživatelů
    • Barvy použité v obrázku položky
    • Délka popisů produktů
    • Náhodné promíchání katalogu
  2. Co používá filtrování založené na obsahu k vytváření doporučení?
    • Pouze denní dobu
    • Vlastnosti položek a vaše minulé preference
    • Cena akcií společnosti
    • Hod mincí
  3. Jaký problém řeší maticová faktorizace v doporučovatelích?
    • Šifrování uživatelských hesel
    • Komprese video souborů
    • Přeměna řídké matice uživatelských položek na kompaktní latentní vektory
    • Směrování internetového provozu
  4. Jaký je problém „studeného startu“?
    • Servery jsou příliš studené na to, aby běžely
    • Virus, který zmrazí účty
    • Doporučení fungují pouze v zimě
    • Obtížné doporučování pro úplně nové uživatele nebo položky bez historie
  5. Jaká soutěž pomohla popularizovat výzkum doporučení?
    • Cena Netflix
    • Turingova cena
    • Nobelova cena
    • Soutěž Eurovize
  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
    • Slovní chybovost
  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