Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ AI in Restaurant and Menu Recommendation Quiz

Αξιολογήστε προτάσεις τροφίμων, φιλτράρισμα αλληλεπίδρασης, αναθεωρήστε κείμενο, ανάκτηση, ενσωματώσεις, διαθεσιμότητα και όρια περιβάλλοντος χρήστη.

Σχετικές διαδρομές οδηγώνΠρόταση AI σε εστιατόριο και μενού
Ερώτηση 1 του 8

Σε τι βασίζεται κυρίως το συλλογικό φιλτράρισμα για την υποβολή προτάσεων;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Σε τι βασίζεται κυρίως το συλλογικό φιλτράρισμα για την υποβολή προτάσεων;
    • Μοτίβα από χρήστες με παρόμοια γούστα
    • Το διατροφικό περιεχόμενο κάθε πιάτου
    • Η εσωτερική διακόσμηση του εστιατορίου
    • Θερμοκρασία κουζίνας σε πραγματικό χρόνο
  2. Γιατί είναι χρήσιμα τα μοντέλα NLP εξόρυξης αναθεώρησης σε εφαρμογές τροφίμων;
    • Μαγειρεύουν το φαγητό πιο γρήγορα
    • Συνοψίζουν το συναίσθημα και εξάγουν σήματα σε επίπεδο πιάτου από το κείμενο
    • Αντικαθιστούν την ανάγκη για μενού
    • Καθορίζουν τις τιμές των εστιατορίων
  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. Σε τι χρησιμεύουν οι ενσωματώσεις στη σύσταση μενού;
    • Αποθήκευση κωδικών πρόσβασης πελατών
    • Κρυπτογράφηση διευθύνσεων παράδοσης
    • Μέτρηση θερμοκρασίας φούρνου
    • Αναπαριστά τα πιάτα ως διανύσματα, έτσι ώστε παρόμοια αντικείμενα να βρίσκονται κοντά μεταξύ τους
  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