Cuestionario vinculado a una guía · Medio Nivel

Prueba de IA en sistemas de recomendación

Revise el filtrado colaborativo y basado en contenido, los datos escasos de elementos de usuario, los límites de inicio en frío y las métricas para evaluar las recomendaciones clasificadas.

Rutas de guía relacionadasIA en sistemas de recomendación
Pregunta 1 de 8

¿En qué se basa el filtrado colaborativo?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿En qué se basa el filtrado colaborativo?
    • Patrones de preferencia entre muchos usuarios
    • Los colores utilizados en la imagen de un artículo.
    • La longitud de las descripciones de los productos.
    • Barajando aleatoriamente el catálogo
  2. ¿Qué utiliza el filtrado basado en contenido para hacer recomendaciones?
    • Sólo la hora del día
    • Características de los artículos y sus preferencias pasadas.
    • El precio de las acciones de la empresa.
    • Un lanzamiento de moneda
  3. ¿Qué problema resuelve la factorización matricial en los recomendadores?
    • Cifrar contraseñas de usuario
    • Comprimir archivos de vídeo
    • Convertir una matriz dispersa de elementos de usuario en vectores latentes compactos
    • Enrutamiento del tráfico de Internet
  4. ¿Cuál es el problema del "arranque en frío"?
    • Los servidores están demasiado fríos para funcionar
    • Un virus que congela cuentas
    • Recomendaciones solo trabajar en invierno.
    • Dificultad para recomendar a usuarios nuevos o artículos sin historial
  5. ¿Qué competencia ayudó a popularizar la investigación de recomendaciones?
    • El premio Netflix
    • El premio Turing
    • El premio Nobel
    • El concurso de Eurovisión
  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
    • Tasa de error de palabra
  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