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.
kérdés 1 -ból 8
Mire támaszkodik elsősorban az együttműködési szűrés?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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