Quiz sur les systèmes de recommandation d'IA

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

1. Sur quoi s'appuie le « filtrage collaboratif » pour formuler des recommandations ?
   • Modèles chez de nombreux utilisateurs ayant des goûts similaires
   • La description textuelle de chaque article uniquement
   • Le prix du produit
   • Une liste éditoriale fixe du top 10
2. Le filtrage basé sur le contenu recommande des éléments principalement par :
   • Échantillonnage aléatoire du catalogue
   • Faire correspondre les caractéristiques des articles à vos préférences passées
   • Compter les ventes mondiales totales
   • Demander aux autres utilisateurs de voter
3. What did the Netflix Prize seek to improve by 10% over the Cinematch baseline?
   • Click-through rate for every recommended film
   • The number of films watched per user
   • Root mean squared error (RMSE) on the competition’s held-out ratings
   • A user’s average watch time on the service
4. Dans la factorisation matricielle, les utilisateurs et les éléments sont représentés comme :
   • Drapeaux oui/non simples
   • Commentaires en texte brut
   • Dates du calendrier
   • Vecteurs de « facteurs latents » cachés
5. What mechanism did the Deep Interest Network paper propose for modeling a user’s different interests across candidate ads?
   • A local activation unit that forms a candidate-specific interest representation
   • A fixed user vector that is identical for every candidate
   • A rule that selects only the most popular ad
   • A graph algorithm that proves every ad is relevant
6. Un recommandataire « hybride » est un recommandateur qui :
   • Fonctionne uniquement le week-end
   • Combine les méthodes collaboratives et basées sur le contenu
   • N'utilise aucune donnée
   • Recommande uniquement les articles les plus récents
7. What is one limitation of collaborative filtering for a new item with no interactions?
   • It cannot use ratings
   • It requires item descriptions only
   • It may lack the interaction data needed to recommend the item
   • It always recommends every new item
8. What should a recommender evaluation measure besides click-through rate?
   • Only the model’s parameter count
   • Only training loss
   • Only the number of recommendations
   • User outcomes and harms such as diversity, exposure, or unwanted engagement