Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο
Κουίζ AI in Recommendation Systems
Ελέγξτε το συνεργατικό φιλτράρισμα και το φιλτράρισμα βάσει περιεχομένου, τα αραιά δεδομένα στοιχείων χρήστη, τα όρια ψυχρής εκκίνησης και τις μετρήσεις για την αξιολόγηση των προτάσεων κατάταξης.
Ερώτηση 1 του 8
Σε τι βασίζεται το συνεργατικό φιλτράρισμα;
Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις
Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.
- Σε τι βασίζεται το συνεργατικό φιλτράρισμα;
- Μοτίβα προτίμησης σε πολλούς χρήστες
- Τα χρώματα που χρησιμοποιούνται στην εικόνα ενός αντικειμένου
- Το μήκος των περιγραφών των προϊόντων
- Τυχαία ανακάτεμα του καταλόγου
- Τι χρησιμοποιεί το φιλτράρισμα βάσει περιεχομένου για την υποβολή προτάσεων;
- Μόνο την ώρα της ημέρας
- Χαρακτηριστικά των αντικειμένων και οι προηγούμενες προτιμήσεις σας
- Η τιμή της μετοχής της εταιρείας
- Μια ανατροπή νομίσματος
- Ποιο πρόβλημα λύνει η παραγοντοποίηση μήτρας στους συστάσεις;
- Κρυπτογράφηση κωδικών πρόσβασης χρήστη
- Συμπίεση αρχείων βίντεο
- Μετατροπή μιας αραιής μήτρας στοιχείου χρήστη σε συμπαγή λανθάνοντα διανύσματα
- Δρομολόγηση κίνησης στο διαδίκτυο
- Ποιο είναι το πρόβλημα της «ψυχρής εκκίνησης»;
- Οι διακομιστές είναι πολύ κρύοι για να λειτουργήσουν
- Ένας ιός που παγώνει λογαριασμούς
- Οι συστάσεις λειτουργούν μόνο το χειμώνα
- Δυσκολία να προτείνω για ολοκαίνουριους χρήστες ή στοιχεία χωρίς ιστορικό
- Ποιος ανταγωνισμός βοήθησε στη διάδοση της έρευνας συστάσεων;
- Το βραβείο Netflix
- Το βραβείο Turing
- Το βραβείο Νόμπελ
- Ο διαγωνισμός της Eurovision
- Τι πρότειναν ο Meyer και οι συνεργάτες του να αξιολογήσουν το Μέσο Μέτρο Επιπτώσεων;
- Ακρίβεια ταξινόμησης εικόνας
- Ο αντίκτυπος των εξατομικευμένων συστάσεων στη χρησιμότητα και την εμπιστοσύνη
- Ο αριθμός των αξιολογήσεων που είναι αποθηκευμένοι σε έναν πίνακα
- Η μνήμη GPU που χρησιμοποιείται από έναν προτεινόμενο
- Ποια μέτρηση έχει σχεδιαστεί για την αξιολόγηση της ποιότητας μιας λίστας προτάσεων κορυφαίας κατηγορίας;
- Μέσο απόλυτο σφάλμα σε μία μόνο βαθμολογία
- Ακρίβεια pixel
- NDCG@K
- Ποσοστό σφάλματος του Word
- Γιατί ένα σφάλμα χαμηλής αξιολόγησης-πρόβλεψης μπορεί να αποτύχει να εγγυηθεί μια καλή λίστα προτάσεων;
- Το RMSE μετρά άμεσα την ικανοποίηση των χρηστών για κάθε κατάταξη
- Κάθε χρήστης βλέπει κάθε στοιχείο καταλόγου
- Ένα μοντέλο αξιολόγησης δεν μπορεί να χρησιμοποιεί δεδομένα στοιχείων χρήστη
- Η ακρίβεια της αξιολόγησης και η ποιότητα κατάταξης των κορυφαίων στοιχείων είναι διαφορετικοί στόχοι