Prueba de motores de personalización de IA

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

1. ¿En qué se basa principalmente el filtrado colaborativo?
   • Patrones entre muchos usuarios, p. 'a las personas a las que les gustó X también les gustó Y'
   • Sólo la descripción de texto de cada artículo.
   • El nivel de batería del dispositivo del usuario.
   • Una lista editorial fija de los 10 mejores
2. ¿Cuál es el 'problema del arranque en frío' en la personalización?
   • Los servidores tardan demasiado en iniciarse
   • Tener pocos o ningún dato sobre un nuevo usuario o un nuevo artículo
   • Recomendaciones solo trabajar en invierno.
   • Los usuarios cierran sesión con frecuencia
3. En una arquitectura típica de dos etapas, ¿qué hace la primera etapa (generación de candidatos)?
   • Clasifica con precisión sólo diez elementos
   • Escribe las descripciones finales del producto.
   • Reduce rápidamente millones de elementos a unos pocos cientos
   • Elimina cuentas de usuario inactivas
4. Why might a recommender add a diversity objective to a ranked list?
   • To guarantee every item receives equal clicks
   • To remove all user-history signals
   • To make every recommendation random
   • To avoid filling the list with near-duplicate items and broaden the alternatives shown
5. ¿Qué son las 'incrustaciones' en un sistema de recomendación?
   • Vectores que representan usuarios y elementos para que la cercanía indique relevancia.
   • Chips físicos en el servidor.
   • Cookies almacenadas en el navegador
   • Líneas de asunto del correo electrónico
6. ¿Por qué los comentarios implícitos (clics, tiempo de visualización) a menudo tienen más peso que las calificaciones de estrellas explícitas?
   • Es más fácil fingir
   • Es mucho más abundante y refleja el comportamiento real.
   • Es requerido por ley
   • Las calificaciones de estrellas son ilegales
7. What does content-based filtering use to recommend items?
   • Only other users’ passwords
   • Random item order
   • Features of items a user has liked or interacted with
   • The device’s battery history
8. What does normalized discounted cumulative gain (NDCG) evaluate?
   • The number of users who created accounts
   • The model’s training duration
   • Whether an item description is grammatically correct
   • The quality of a ranked list, giving higher weight to relevant items near the top