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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. Quale competizione ha contribuito a rendere popolare la ricerca sulle raccomandazioni?
    • Il Premio Netflix
    • Il Premio Turing
    • Il Premio Nobel
    • Il concorso dell'Eurovisione
  6. 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
  7. 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
  8. 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