Útmutatóhoz kapcsolódó kvíz · Közepes Szint
AI ajánlási rendszerek kvíz
Review recommendation methods, collaborative and content filtering, matrix factorization, hybrid systems, and engagement risks.
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.
- 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
- 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
- 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
- A mátrixfaktorizációban a felhasználók és az elemek a következőképpen jelennek meg:
- Egyetlen igen/nem jelző
- Egyszerű szöveges vélemények
- Naptári dátumok
- Rejtett „látens tényezők” vektorai
- 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
- 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
- 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
- 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