Mit dem Guide verknüpftes Quiz · Mittel Ebene

KI-Personalisierungs-Engines-Quiz

Erfahren Sie, wie Empfehlungssysteme Verhalten, Artikelmerkmale, Kandidatenabruf und Ranking kombinieren, um eine Liste für einen Benutzer anzupassen.

Verwandte FührungspfadeKI-Personalisierungs-Engines
Frage 1 von 8

Worauf beruht die kollaborative Filterung hauptsächlich?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Worauf beruht die kollaborative Filterung hauptsächlich?
    • Muster über viele Benutzer hinweg, z. „Leute, denen X gefiel, mochten auch Y“
    • Nur die Textbeschreibung jedes Artikels
    • Der Akkustand des Geräts des Benutzers
    • Eine feste redaktionelle Top-10-Liste
  2. Was ist das „Kaltstartproblem“ bei der Personalisierung?
    • Das Booten der Server dauert zu lange
    • Es liegen nur wenige oder keine Daten über einen neuen Benutzer oder ein neues Element vor
    • Empfehlungen funktionieren nur im Winter
    • Benutzer melden sich häufig ab
  3. Was macht in einer typischen zweistufigen Architektur die erste Stufe (Kandidatengeneration)?
    • Ordnet genau nur zehn Elemente
    • Verfasst die endgültigen Produktbeschreibungen
    • Reduziert Millionen von Artikeln schnell auf ein paar Hundert
    • Löscht inaktive Benutzerkonten
  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. Was sind „Einbettungen“ in einem Empfehlungssystem?
    • Vektoren repräsentieren Benutzer und Elemente, sodass Nähe Relevanz signalisiert
    • Physische Chips im Server
    • Im Browser gespeicherte Cookies
    • E-Mail-Betreffzeilen
  6. Warum wird implizites Feedback (Klicks, Wiedergabezeit) häufig stärker gewichtet als explizite Sternebewertungen?
    • Es ist einfacher zu fälschen
    • Es ist weitaus häufiger und spiegelt das tatsächliche Verhalten wider
    • Es ist gesetzlich vorgeschrieben
    • Sternebewertungen sind illegal
  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
    • The model’s training duration
    • Whether an item description is grammatically correct
    • The quality of a ranked list, giving higher weight to relevant items near the top