KI in Empfehlungssystemen-Quiz

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

1. Worauf basiert die kollaborative Filterung?
   • Präferenzmuster bei vielen Benutzern
   • Die im Bild eines Artikels verwendeten Farben
   • Die Länge der Produktbeschreibungen
   • Der Katalog wird zufällig gemischt
2. Was nutzt die inhaltsbasierte Filterung, um Empfehlungen abzugeben?
   • Nur die Tageszeit
   • Merkmale der Artikel und Ihre bisherigen Vorlieben
   • Der Aktienkurs des Unternehmens
   • Ein Münzwurf
3. Welches Problem löst die Matrixfaktorisierung bei Empfehlungsgebern?
   • Benutzerpasswörter verschlüsseln
   • Komprimieren von Videodateien
   • Umwandlung einer spärlichen Benutzerelementmatrix in kompakte latente Vektoren
   • Weiterleitung des Internetverkehrs
4. Was ist das Kaltstartproblem?
   • Die Server sind zu kalt zum Betrieb
   • Ein Virus, der Konten einfriert
   • Empfehlungen funktionieren nur im Winter
   • Schwierigkeiten bei der Empfehlung für brandneue Benutzer oder Artikel ohne Verlauf
5. Welcher Wettbewerb hat zur Popularisierung der Empfehlungsforschung beigetragen?
   • Der Netflix-Preis
   • Der Turing-Preis
   • Der Nobelpreis
   • Der Eurovision-Wettbewerb
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
   • Wortfehlerrate
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