Quiz collegato alla guida · Medio Livello
Quiz sull'intelligenza artificiale nei sistemi di raccomandazione
Esamina il filtraggio collaborativo e basato sui contenuti, i dati sparsi sugli elementi utente, i limiti di avvio a freddo e le metriche per valutare i consigli classificati.
Domanda 1 di 8
Su cosa si basa il filtraggio collaborativo?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Su cosa si basa il filtraggio collaborativo?
- Modelli di preferenza tra molti utenti
- I colori utilizzati nell'immagine di un elemento
- La lunghezza delle descrizioni dei prodotti
- Mescolando casualmente il catalogo
- Che cosa utilizza il filtraggio basato sui contenuti per fornire consigli?
- Solo l'ora del giorno
- Caratteristiche degli articoli e preferenze passate
- Il prezzo delle azioni della società
- Un lancio di moneta
- Quale problema risolve la fattorizzazione della matrice nei raccomandatori?
- Crittografia delle password degli utenti
- Compressione di file video
- Trasformare una matrice sparsa di elementi utente in vettori latenti compatti
- Instradamento del traffico Internet
- Qual è il problema della "partenza a freddo"?
- I server sono troppo freddi per funzionare
- Un virus che blocca i conti
- Raccomandazioni funziona solo in inverno
- Difficoltà a consigliare utenti nuovi di zecca o elementi senza cronologia
- Quale competizione ha contribuito a rendere popolare la ricerca sulle raccomandazioni?
- Il Premio Netflix
- Il Premio Turing
- Il Premio Nobel
- Il concorso dell'Eurovisione
- What did Meyer and colleagues propose the Average Measure of Impact to evaluate?
- Image classification accuracy
- The impact of personalized recommendations on usefulness and trust
- The number of ratings stored in a matrix
- The GPU memory used by a recommender
- Which metric is designed to assess the quality of a ranked top-K recommendation list?
- Mean absolute error on a single rating only
- Pixel accuracy
- NDCG@K
- Tasso di errori di parole
- Why can a low rating-prediction error fail to guarantee a good recommendation list?
- RMSE directly measures user satisfaction for every ranking
- Ogni utente vede ogni articolo del catalogo
- A rating model cannot use user-item data
- Rating accuracy and top-item ranking quality are different objectives