एआई अनुशंसा प्रणाली प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. सिफ़ारिशें करने के लिए 'सहयोगात्मक फ़िल्टरिंग' किस पर निर्भर करती है?
   • समान स्वाद वाले कई उपयोगकर्ताओं के पैटर्न
   • प्रत्येक आइटम का केवल पाठ्य विवरण
   • उत्पाद की कीमत
   • एक निश्चित संपादकीय शीर्ष-10 सूची
2. सामग्री-आधारित फ़िल्टरिंग मुख्य रूप से आइटम की अनुशंसा करती है:
   • कैटलॉग का यादृच्छिक नमूनाकरण
   • आइटम सुविधाओं का आपकी पिछली प्राथमिकताओं से मिलान
   • कुल वैश्विक बिक्री की गणना
   • अन्य उपयोगकर्ताओं से वोट करने के लिए कहना
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. मैट्रिक्स फ़ैक्टराइज़ेशन में, उपयोगकर्ताओं और वस्तुओं को इस प्रकार दर्शाया जाता है:
   • एकल हां/नहीं झंडे
   • सादा पाठ समीक्षाएँ
   • कैलेंडर तिथियाँ
   • छिपे हुए 'अव्यक्त कारकों' के वेक्टर
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. एक 'हाइब्रिड' अनुशंसाकर्ता वह है जो:
   • केवल सप्ताहांत पर काम करता है
   • सहयोगी और सामग्री-आधारित तरीकों को जोड़ती है
   • बिल्कुल भी डेटा का उपयोग नहीं करता
   • केवल नवीनतम आइटम की अनुशंसा करता है
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?
   • केवल मॉडल के पैरामीटर की गिनती
   • Only training loss
   • Only the number of recommendations
   • User outcomes and harms such as diversity, exposure, or unwanted engagement