Kuiz berkaitan panduan · Sederhana Tahap

AI dalam Kuiz Sistem Pengesyoran

Semak penapisan berasaskan kolaboratif dan kandungan, data item pengguna yang jarang, had permulaan sejuk dan metrik untuk menilai pengesyoran berperingkat.

Laluan panduan yang berkaitanAI Dalam Sistem Pengesyoran
soalan 1 daripada 8

Apakah berdasarkan penapisan kolaboratif?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah berdasarkan penapisan kolaboratif?
    • Corak keutamaan merentas ramai pengguna
    • Warna yang digunakan dalam imej item
    • Panjang penerangan produk
    • Merombak katalog secara rawak
  2. Apakah yang digunakan oleh penapisan berasaskan kandungan untuk membuat pengesyoran?
    • Hanya masa hari
    • Ciri-ciri item dan pilihan masa lalu anda
    • Harga saham syarikat
    • Sebalik syiling
  3. Apakah masalah yang diselesaikan oleh pemfaktoran matriks dalam pengesyor?
    • Menyulitkan kata laluan pengguna
    • Memampatkan fail video
    • Mengubah matriks item pengguna yang jarang menjadi vektor terpendam padat
    • Menghalakan trafik internet
  4. Apakah masalah 'permulaan sejuk'?
    • Pelayan terlalu sejuk untuk dijalankan
    • Virus yang membekukan akaun
    • Pengesyoran hanya berfungsi pada musim sejuk
    • Kesukaran mengesyorkan untuk pengguna baharu atau item tanpa sejarah
  5. Apakah pertandingan yang membantu mempopularkan penyelidikan pengesyoran?
    • Hadiah Netflix
    • Anugerah Turing
    • Hadiah Nobel
    • Pertandingan Eurovision
  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
    • Kadar ralat perkataan
  8. Why can a low rating-prediction error fail to guarantee a good recommendation list?
    • RMSE directly measures user satisfaction for every ranking
    • Every user sees every catalog item
    • A rating model cannot use user-item data
    • Rating accuracy and top-item ranking quality are different objectives