Útmutatóhoz kapcsolódó kvíz · Közepes Szint

AI ajánlási rendszerek kvíz

Review recommendation methods, collaborative and content filtering, matrix factorization, hybrid systems, and engagement risks.

Kapcsolódó útmutató utakAI ajánlórendszerek
kérdés 1 -ból 8

Mire támaszkodik az „együttműködési szűrés” az ajánlások megfogalmazásához?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mire támaszkodik az „együttműködési szűrés” az ajánlások megfogalmazásához?
    • Sok hasonló ízlésű felhasználó mintája
    • Csak az egyes tételek szöveges leírása
    • A termék ára
    • Rögzített szerkesztőségi top10-lista
  2. A tartalom alapú szűrés elsősorban a következők szerint ajánl elemeket:
    • Véletlenszerű mintavétel a katalógusból
    • A tétel jellemzőinek összeegyeztetése korábbi preferenciáival
    • A teljes globális eladások számolása
    • Más felhasználók felkérése, hogy szavazzanak
  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. A mátrixfaktorizációban a felhasználók és az elemek a következőképpen jelennek meg:
    • Egyetlen igen/nem jelző
    • Egyszerű szöveges vélemények
    • Naptári dátumok
    • Rejtett „látens tényezők” vektorai
  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. A „hibrid” ajánló az, amely:
    • Csak hétvégén működik
    • Az együttműködésen alapuló és a tartalom alapú módszereket ötvözi
    • Egyáltalán nem használ adatokat
    • Csak a legújabb termékeket ajánlja
  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?
    • Only the model’s parameter count
    • Only training loss
    • Only the number of recommendations
    • User outcomes and harms such as diversity, exposure, or unwanted engagement