Kuiz berkaitan panduan · Sederhana Tahap

Pengesyoran Berasaskan Graf dan Kuiz PinSage

Menguji perwakilan graf, seni bina sejarah PinSage, pensampelan kejiranan, had penilaian dan masa data perhubungan boleh membantu.

Laluan panduan yang berkaitanPengesyoran Berasaskan Graf Dan Pinsage
soalan 1 daripada 8

Bagaimanakah kertas PinSage yang dipetik mewakili data Pinterest untuk modelnya?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Bagaimanakah kertas PinSage yang dipetik mewakili data Pinterest untuk modelnya?
    • Sebagai meja rata dengan harga barang sahaja
    • Sebagai pokok dengan setiap Pin diberikan satu induk tetap
    • Sebagai urutan tanpa perhubungan item
    • Sebagai graf dengan Pin dan papan sebagai set nod yang dipautkan mengikut keahlian lembaga
  2. Apakah maklumat yang digabungkan oleh PinSage semasa mempelajari pembenaman Pin?
    • Hanya piksel imej tanpa hubungan graf
    • Konteks graf-kejiranan bersama-sama dengan ciri nod seperti benam visual dan anotasi
    • Hanya demografi dan harga pengguna
    • Hanya nama papan tanpa ciri Pin
  3. Mengapakah PinSage menggunakan pensampelan jiran berjalan secara rawak?
    • Untuk mengalih keluar semua hubungan graf daripada perwakilan
    • Untuk menjana label produk rawak untuk latihan
    • Untuk membina kawasan kejiranan bersempadan setempat yang menekankan nod yang kerap dilawati
    • Untuk memproses setiap kejiranan graf penuh nod dengan tepat
  4. Apakah yang boleh dibezakan oleh konteks graf dalam contoh Pinterest?
    • Item yang kelihatan serupa secara visual tetapi berlaku dalam konteks papan yang berbeza
    • Barangan dengan harga runcit yang sama tetapi warna yang berbeza
    • Item dengan masa pendedahan yang sama dalam setiap suapan
    • Item yang fail imejnya mempunyai resolusi yang berbeza sahaja
  5. Apakah yang ditunjukkan oleh PinSage tentang pengesyor graf?
    • Bahawa setiap katalog harus menggunakan Pin dan papan sebagai grafnya
    • Bahawa keputusan 2018 menjamin keuntungan pengeluaran semasa di mana-mana
    • Pendekatan graf-konvolusi berskala untuk mempelajari pembenaman item dalam satu tetapan Pinterest
    • Pengesyor graf itu sentiasa mengatasi prestasi model kandungan
  6. Bilakah perhubungan graf boleh menambah isyarat pengesyoran yang berguna?
    • Apabila sambungan bermakna antara item membawa konteks yang ciri sahaja mungkin terlepas
    • Apabila hubungan item tidak relevan dengan tugas
    • Pada bila-bila masa model memerlukan lebih sedikit semakan data
    • Hanya apabila setiap pengguna mempunyai minat yang sama
  7. Perbandingan penilaian manakah yang berguna sebelum menggunakan pengesyoran graf?
    • Bandingkan hanya dimensi benam model
    • Bandingkan dengan kandungan dan garis dasar interaksi pada tugas yang sama
    • Bandingkan kehilangan latihan daripada set data yang tidak berkaitan
    • Langkau penilaian yang ditahan kerana struktur graf menerangkan cadangan
  8. Apakah risiko yang perlu diperiksa semasa membina tepi cadangan?
    • Sama ada semua nod berkongsi format imej yang sama
    • Sama ada koordinat vektor mempunyai label yang boleh dibaca manusia
    • Sama ada pengesyoran itu sentiasa item terbaharu
    • Populariti atau berat sebelah pemilihan dan sama ada tepi graf adalah segar