Kvíz spojený s průvodcem · Střední úroveň
Kvíz AI v restauraci a doporučení menu
Vyhodnoťte doporučení potravin, filtrování interakcí, text recenzí, vyhledávání, vkládání, dostupnost a limity uživatelského kontextu.
Otázka 1 z 8
Na čem se společné filtrování primárně spoléhá při vytváření doporučení?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Na čem se společné filtrování primárně spoléhá při vytváření doporučení?
- Vzory od uživatelů s podobným vkusem
- Nutriční obsah každého pokrmu
- Design interiéru restaurace
- Teplota kuchyně v reálném čase
- Proč jsou modely NLP pro těžbu recenzí užitečné v potravinářských aplikacích?
- Uvaří jídlo rychleji
- Shrnují sentiment a extrahují signály na úrovni paraboly z textu
- Nahrazují potřebu jídelníčků
- Stanovují ceny restaurací
- 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
- K čemu se používají vložení v doporučení nabídky?
- Ukládání zákaznických hesel
- Šifrování doručovacích adres
- Měření teploty trouby
- Představuje pokrmy jako vektory, takže podobné položky sedí blízko u sebe
- 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
- 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
- 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
- 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