Kuis Sistem Rekomendasi AI

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa yang diandalkan oleh 'penyaringan kolaboratif' untuk membuat rekomendasi?
   • Pola di banyak pengguna dengan selera serupa
   • Deskripsi teks setiap item saja
   • Harga produk
   • Daftar 10 teratas editorial tetap
2. Pemfilteran berbasis konten merekomendasikan item terutama berdasarkan:
   • Pengambilan sampel acak dari katalog
   • Mencocokkan fitur item dengan preferensi Anda sebelumnya
   • Menghitung total penjualan global
   • Meminta pengguna lain untuk memilih
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. Dalam faktorisasi matriks, pengguna dan item direpresentasikan sebagai:
   • Bendera tunggal ya/tidak
   • Ulasan teks biasa
   • Tanggal kalender
   • Vektor 'faktor laten' yang tersembunyi
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. Pemberi rekomendasi 'hibrida' adalah pemberi rekomendasi yang:
   • Hanya bekerja pada akhir pekan
   • Menggabungkan metode kolaboratif dan berbasis konten
   • Tidak menggunakan data sama sekali
   • Hanya merekomendasikan item terbaru
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