Quiz lié à un guide · Moyen Niveau

Quiz sur l'IA dans les systèmes de recommandation

Examinez le filtrage collaboratif et basé sur le contenu, les données éparses sur les éléments utilisateur, les limites de démarrage à froid et les mesures pour évaluer les recommandations classées.

Chemins de guidage associésL'IA dans les systèmes de recommandation
Question 1 de 8

Sur quoi repose le filtrage collaboratif ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Sur quoi repose le filtrage collaboratif ?
    • Modèles de préférence chez de nombreux utilisateurs
    • Les couleurs utilisées dans l'image d'un article
    • La longueur des descriptions de produits
    • Mélanger le catalogue au hasard
  2. Qu'utilise le filtrage basé sur le contenu pour formuler des recommandations ?
    • Seulement l'heure de la journée
    • Caractéristiques des articles et vos préférences passées
    • Le cours de bourse de la société
    • Un tirage au sort
  3. Quel problème la factorisation matricielle résout-elle chez les recommandateurs ?
    • Cryptage des mots de passe des utilisateurs
    • Compresser des fichiers vidéo
    • Transformer une matrice d'éléments utilisateur clairsemée en vecteurs latents compacts
    • Routage du trafic Internet
  4. Quel est le problème du « démarrage à froid » ?
    • Les serveurs sont trop froids pour fonctionner
    • Un virus qui gèle les comptes
    • Recommandations fonctionnant uniquement en hiver
    • Difficulté à recommander des utilisateurs flambant neufs ou des éléments sans historique
  5. Quel concours a contribué à populariser la recherche de recommandations ?
    • Le prix Netflix
    • Le prix Turing
    • Le prix Nobel
    • Le concours Eurovision
  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
    • Taux d'erreur de mots
  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