Útmutatóhoz kapcsolódó kvíz · Közepes Szint

AI személyre szabott motorok kvíz

Learn how recommender systems combine behavior, item features, candidate retrieval and ranking to tailor a list for one user.

Kapcsolódó útmutató utakAI személyre szabott motorok
kérdés 1 -ból 8

Mire támaszkodik elsősorban az együttműködési szűrés?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mire támaszkodik elsősorban az együttműködési szűrés?
    • Sok felhasználó mintái, pl. "azoknak, akiknek tetszett X, azok Y-t is kedvelték"
    • Csak az egyes elemek szöveges leírása
    • A felhasználó eszközének töltöttségi szintje
    • Rögzített szerkesztőségi top10-lista
  2. Mi a „hidegindítási probléma” a személyre szabásban?
    • A szerverek betöltése túl sokáig tart
    • Kevés vagy nincs adat az új felhasználóról vagy új elemről
    • Csak télen működő ajánlások
    • A felhasználók gyakran kijelentkeznek
  3. Egy tipikus kétlépcsős architektúrában mit csinál az első (jelölt generációs) szakasz?
    • Pontosan csak tíz elemet rangsorol
    • Megírja a végső termékleírásokat
    • Gyorsan leszűkíti a több millió tételt néhány százra
    • Törli az inaktív felhasználói fiókokat
  4. Why might a recommender add a diversity objective to a ranked list?
    • To guarantee every item receives equal clicks
    • To remove all user-history signals
    • To make every recommendation random
    • To avoid filling the list with near-duplicate items and broaden the alternatives shown
  5. Mik azok a „beágyazások” egy ajánlási rendszerben?
    • A felhasználókat és az elemeket ábrázoló vektorok, így a közelség a relevanciát jelzi
    • Fizikai chipek a szerverben
    • A böngészőben tárolt sütik
    • E-mail tárgysorai
  6. Miért súlyozzák gyakran az implicit visszajelzéseket (kattintások, nézési idő) az explicit csillagos értékelésekkel szemben?
    • Könnyebb hamisítani
    • Sokkal bőségesebb, és a tényleges viselkedést tükrözi
    • Törvény írja elő
    • A csillagbesorolás illegális
  7. What does content-based filtering use to recommend items?
    • Only other users’ passwords
    • Random item order
    • Features of items a user has liked or interacted with
    • The device’s battery history
  8. What does normalized discounted cumulative gain (NDCG) evaluate?
    • The number of users who created accounts
    • The model’s training duration
    • Whether an item description is grammatically correct
    • The quality of a ranked list, giving higher weight to relevant items near the top