Cuestionario sobre modelos de recomendación de dos torres

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

1. ¿Qué produce cada torre en un recomendador estándar de dos torres?
   • Una representación vectorial de la consulta/usuario o elemento candidato.
   • Una etiqueta compartida para todos los usuarios y artículos.
   • Una estimación del efecto causal directo
   • Una lista ordenada de cada artículo del catálogo.
2. ¿Por qué se pueden precalcular las incrustaciones de elementos?
   • Cada usuario tiene preferencias idénticas
   • La torre de elementos puede codificar candidatos independientemente del usuario actual.
   • El modelo no tiene características del artículo.
   • Las etiquetas de los artículos se conocen de antemano.
3. ¿Qué operación suele recuperar candidatos de incrustaciones?
   • Un corte de dendograma
   • Un codificador cruzado completo por artículo en todo el catálogo
   • Búsqueda de vecino más cercano o producto interno máximo
   • Un gráfico Q-Q residual
4. ¿Por qué es importante recordar a los candidatos antes de clasificarlos?
   • Hace que el catálogo sea finito.
   • La alta recuperación garantiza probabilidades calibradas
   • Reemplaza todo el preprocesamiento de funciones.
   • Un clasificador no puede elegir un elemento que no esté en el conjunto recuperado.
5. ¿Qué interacción es difícil de representar directamente para las torres codificadas de forma independiente?
   • No pueden utilizar funciones de usuario.
   • No pueden calcular directamente características arbitrarias específicas de pares en el momento de la recuperación.
   • Exigen que cada artículo tenga una etiqueta.
   • Sólo apoyan a un candidato
6. ¿Qué pueden afectar los negativos muestreados durante la capacitación y la evaluación?
   • La fecha de lanzamiento del catálogo de artículos.
   • La dimensionalidad de los vectores de usuario únicamente.
   • La tarea de discriminación aprendida y cuán realistas son las métricas fuera de línea
   • El número de torres
7. ¿Cómo se puede interpretar con seguridad una puntuación alta de un producto escalar?
   • Prueba de que el artículo era elegible
   • Una probabilidad de satisfacción calibrada
   • Un efecto causal de mostrar el artículo.
   • Una puntuación de similitud de modelo para la recuperación.
8. ¿Por qué versionar el índice de elementos y el preprocesamiento de la torre juntos?
   • Las incrustaciones o transformaciones no coincidentes pueden invalidar las comparaciones de similitud
   • De lo contrario, el índice se convierte en un objetivo supervisado.
   • Pone a cero las muestras negativas.
   • Cambia el modelo a una sola torre.