Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Συστημάτων Προτάσεων AI

Ελέγξτε τις μεθόδους συστάσεων, το φιλτράρισμα συνεργασίας και περιεχομένου, την παραγοντοποίηση μητρών, τα υβριδικά συστήματα και τους κινδύνους αφοσίωσης.

Σχετικές διαδρομές οδηγώνΣυστήματα συστάσεων AI
Ερώτηση 1 του 8

Σε τι βασίζεται το «συνεργατικό φιλτράρισμα» για την υποβολή προτάσεων;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Σε τι βασίζεται το «συνεργατικό φιλτράρισμα» για την υποβολή προτάσεων;
    • Μοτίβα σε πολλούς χρήστες με παρόμοια γούστα
    • Η περιγραφή κειμένου μόνο για κάθε στοιχείο
    • Η τιμή του προϊόντος
    • Μια σταθερή λίστα εκδοτικών κορυφαίων 10
  2. Το φιλτράρισμα βάσει περιεχομένου προτείνει στοιχεία κυρίως από:
    • Τυχαία δειγματοληψία του καταλόγου
    • Αντιστοίχιση χαρακτηριστικών στοιχείων με τις προηγούμενες προτιμήσεις σας
    • Υπολογίζοντας τις συνολικές παγκόσμιες πωλήσεις
    • Ζητώντας από άλλους χρήστες να ψηφίσουν
  3. What did the Netflix Prize seek to improve by 10% over the Cinematch baseline?
    • Click-through rate for every recommended film
    • The number of films watched per user
    • Root mean squared error (RMSE) on the competition’s held-out ratings
    • A user’s average watch time on the service
  4. Στην παραγοντοποίηση πινάκων, οι χρήστες και τα στοιχεία αντιπροσωπεύονται ως:
    • Μονές σημαίες ναι/όχι
    • Κριτικές απλού κειμένου
    • Ημερομηνίες ημερολογίου
    • Φορείς κρυφών «λανθάνοντων παραγόντων»
  5. What mechanism did the Deep Interest Network paper propose for modeling a user’s different interests across candidate ads?
    • A local activation unit that forms a candidate-specific interest representation
    • A fixed user vector that is identical for every candidate
    • A rule that selects only the most popular ad
    • A graph algorithm that proves every ad is relevant
  6. Ένας «υβριδικός» συστάτης είναι αυτός που:
    • Λειτουργεί μόνο τα Σαββατοκύριακα
    • Συνδυάζει συνεργατικές και βασισμένες στο περιεχόμενο μεθόδους
    • Δεν χρησιμοποιεί καθόλου δεδομένα
    • Συνιστά μόνο τα νεότερα στοιχεία
  7. What is one limitation of collaborative filtering for a new item with no interactions?
    • It cannot use ratings
    • It requires item descriptions only
    • It may lack the interaction data needed to recommend the item
    • It always recommends every new item
  8. What should a recommender evaluation measure besides click-through rate?
    • Only the model’s parameter count
    • Only training loss
    • Only the number of recommendations
    • User outcomes and harms such as diversity, exposure, or unwanted engagement