Gids-gekoppelde quiz · Middelmatig Niveau

AI in de aanbevelingssystemenquiz

Bekijk collaboratief en contentgebaseerd filteren, sparse user-item data, cold-startbeperkingen, en metrics voor het evalueren van gerangschikte aanbevelingen.

Gerelateerde gidspadenAI in aanbevelingssystemen
Vraag 1 van 8

Waar is collaboratief filteren op gebaseerd?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Waar is collaboratief filteren op gebaseerd?
    • Voorkeurspatronen bij veel gebruikers
    • De kleuren die worden gebruikt in de afbeelding van een item
    • De lengte van productbeschrijvingen
    • Willekeurig schudden van de catalogus
  2. Wat wordt er gebruikt bij op inhoud gebaseerd filteren om aanbevelingen te doen?
    • Alleen het tijdstip van de dag
    • Kenmerken van de items en uw eerdere voorkeuren
    • De aandelenkoers van het bedrijf
    • Een muntwissel
  3. Welk probleem lost matrixfactorisatie op in aanbevelingen?
    • Versleutelen van gebruikerswachtwoorden
    • Videobestanden comprimeren
    • Een schaarse gebruikersitemmatrix omzetten in compacte latente vectoren
    • Het routeren van internetverkeer
  4. Wat is het 'koude start'-probleem?
    • Servers zijn te koud om te draaien
    • Een virus dat accounts bevriest
    • Aanbevelingen alleen werken in de winter
    • Moeilijk om aan te bevelen voor gloednieuwe gebruikers of items zonder geschiedenis
  5. Welke concurrentie heeft ertoe bijgedragen dat aanbevelingsonderzoek populair werd?
    • De Netflix-prijs
    • De Turingprijs
    • De Nobelprijs
    • Het Eurovisie-festival
  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
    • Foutpercentage van woorden
  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