Kvíz spojený s průvodcem · Střední úroveň

Kvíz AI Personalization Engines

Zjistěte, jak systémy doporučujících kombinují chování, funkce položek, vyhledávání kandidátů a hodnocení, aby přizpůsobili seznam pro jednoho uživatele.

Související vodicí cestyAI personalizační enginy
Otázka 1 z 8

Na čem se kolaborativní filtrování primárně opírá?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Na čem se kolaborativní filtrování primárně opírá?
    • Vzory napříč mnoha uživateli, např. 'lidé, kteří měli rádi X, měli také rádi Y'
    • Pouze textový popis každé položky
    • Úroveň baterie zařízení uživatele
    • Pevný redakční seznam top-10
  2. Jaký je „problém se studeným startem“ v personalizaci?
    • Spouštění serverů trvá příliš dlouho
    • Mít málo nebo žádná data o novém uživateli nebo nové položce
    • Doporučení fungují pouze v zimě
    • Uživatelé se často odhlašují
  3. Co dělá v typické dvoufázové architektuře první fáze (generace kandidátů)?
    • Přesně řadí pouze deset položek
    • Píše konečné popisy produktů
    • Rychle zúží miliony položek na několik stovek
    • Smaže neaktivní uživatelské účty
  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. Co jsou „vložení“ do systému doporučení?
    • Vektory reprezentující uživatele a položky, takže blízkost signalizuje relevanci
    • Fyzické čipy na serveru
    • Cookies uložené v prohlížeči
    • Předměty e-mailu
  6. Proč má implicitní zpětná vazba (kliknutí, doba sledování) často větší váhu než explicitní hodnocení hvězdičkami?
    • Je snazší předstírat
    • Je mnohem hojnější a odráží skutečné chování
    • Je to vyžadováno zákonem
    • Hodnocení hvězdičkami je nezákonné
  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
    • Délka tréninku modelu
    • Whether an item description is grammatically correct
    • The quality of a ranked list, giving higher weight to relevant items near the top