Útmutatóhoz kapcsolódó kvíz · Közepes Szint

AI a Recommendation Systems kvízben

Review collaborative and content-based filtering, sparse user-item data, cold-start limits, and metrics for evaluating ranked recommendations.

Kapcsolódó útmutató utakMI a javaslati rendszerekben
kérdés 1 -ból 8

Mire épül az együttműködési szűrés?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mire épül az együttműködési szűrés?
    • Sok felhasználó preferenciális mintái
    • A tétel képén használt színek
    • A termékleírások hossza
    • Véletlenszerűen keveri a katalógust
  2. Mit használ a tartalomalapú szűrés az ajánlásokhoz?
    • Csak a napszak
    • Az elemek jellemzői és korábbi preferenciái
    • A cég részvényárfolyama
    • Érmefeldobás
  3. Milyen problémát old meg a mátrixfaktorizáció az ajánlókban?
    • Felhasználói jelszavak titkosítása
    • Videó fájlok tömörítése
    • Egy ritka felhasználói elem mátrix kompakt látens vektorokká alakítása
    • Internetes forgalom irányítása
  4. Mi a "hidegindítás" probléma?
    • A szerverek túl hidegek a működéshez
    • Vírus, amely lefagyasztja a fiókokat
    • Csak télen működő ajánlások
    • Nehéz ajánlatot adni vadonatúj felhasználóknak vagy előzmény nélküli termékeknek
  5. Milyen verseny segített az ajánláskutatás népszerűsítésében?
    • A Netflix-díj
    • A Turing-díj
    • A Nobel-díj
    • Eurovíziós verseny
  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
    • Word hibaarány
  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