Cuestionario vinculado a una guía · Medio Nivel

IA en el cuestionario de recomendación de menús y restaurantes

Evalúe recomendaciones de alimentos, filtrado de interacciones, revisión de texto, recuperación, incrustaciones, disponibilidad y límites del contexto del usuario.

Rutas de guía relacionadasIA en recomendación de menús y restaurantes
Pregunta 1 de 8

¿En qué se basa principalmente el filtrado colaborativo para hacer recomendaciones?

Vista previa de cada pregunta8 preguntas

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

  1. ¿En qué se basa principalmente el filtrado colaborativo para hacer recomendaciones?
    • Patrones de usuarios con gustos similares
    • El contenido nutricional de cada plato.
    • El diseño interior del restaurante.
    • Temperatura de la cocina en tiempo real
  2. ¿Por qué son útiles los modelos de PNL de minería de reseñas en aplicaciones de alimentos?
    • Cocinan la comida más rápido.
    • Resume sentimientos y extrae señales a nivel de plato del texto.
    • Sustituyen la necesidad de menús
    • Fijan precios en restaurantes
  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. ¿Para qué se utilizan las incrustaciones en la recomendación del menú?
    • Almacenamiento de contraseñas de clientes
    • Cifrar direcciones de entrega
    • Medir la temperatura del horno
    • Representar platos como vectores para que elementos similares queden muy juntos
  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