Kuiz berkaitan panduan · Sederhana Tahap
Kuiz Enjin Pemperibadian AI
Ketahui cara sistem pengesyor menggabungkan gelagat, ciri item, pengambilan calon dan kedudukan untuk menyesuaikan senarai untuk seorang pengguna.
soalan 1 daripada 8
Apakah yang paling bergantung pada penapisan kolaboratif?
Pratonton setiap soalan8 soalan
Jawapan dan penjelasan muncul semasa anda mengambil kuiz.
- Apakah yang paling bergantung pada penapisan kolaboratif?
- Corak merentas banyak pengguna, mis. 'orang yang suka X juga suka Y'
- Hanya penerangan teks bagi setiap item
- Paras bateri peranti pengguna
- Senarai 10 teratas editorial tetap
- Apakah 'masalah permulaan dingin' dalam pemperibadian?
- Pelayan mengambil masa terlalu lama untuk but
- Mempunyai sedikit atau tiada data tentang pengguna baharu atau item baharu
- Pengesyoran hanya berfungsi pada musim sejuk
- Pengguna kerap log keluar
- Dalam seni bina dua peringkat biasa, apakah yang dilakukan oleh peringkat pertama (generasi calon)?
- Tepat kedudukan hanya sepuluh item
- Menulis huraian produk akhir
- Mengecilkan berjuta-juta item dengan pantas kepada beberapa ratus
- Memadam akaun pengguna yang tidak aktif
- Why might a recommender add a diversity objective to a ranked list?
- To guarantee every item receives equal clicks
- To remove all user-history signals
- To make every recommendation random
- To avoid filling the list with near-duplicate items and broaden the alternatives shown
- Apakah 'pembenaman' dalam sistem pengesyoran?
- Vektor yang mewakili pengguna dan item supaya kedekatan menandakan perkaitan
- Cip fizikal dalam pelayan
- Kuki disimpan dalam penyemak imbas
- E-mel baris subjek
- Mengapakah maklum balas tersirat (klik, masa tonton) sering diberi berat berbanding penilaian bintang yang jelas?
- Ia lebih mudah untuk dipalsukan
- Ia jauh lebih banyak dan mencerminkan tingkah laku sebenar
- Ia dikehendaki oleh undang-undang
- Penarafan bintang adalah haram
- What does content-based filtering use to recommend items?
- Only other users’ passwords
- Random item order
- Features of items a user has liked or interacted with
- The device’s battery history
- What does normalized discounted cumulative gain (NDCG) evaluate?
- The number of users who created accounts
- The model’s training duration
- Whether an item description is grammatically correct
- The quality of a ranked list, giving higher weight to relevant items near the top