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.
kérdés 1 -ból 8
Mire épül az együttműködési szűrés?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mire épül az együttműködési szűrés?
- Sok felhasználó preferenciális mintái
- A tétel képén használt színek
- A termékleírások hossza
- Véletlenszerűen keveri a katalógust
- Mit használ a tartalomalapú szűrés az ajánlásokhoz?
- Csak a napszak
- Az elemek jellemzői és korábbi preferenciái
- A cég részvényárfolyama
- Érmefeldobás
- 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
- 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
- Milyen verseny segített az ajánláskutatás népszerűsítésében?
- A Netflix-díj
- A Turing-díj
- A Nobel-díj
- Eurovíziós verseny
- 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
- 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
- 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