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.

Související vodicí cestyAI v restauraci a doporučení menu
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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