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.
Vraag 1 van 8
Waar is collaboratief filteren op gebaseerd?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- 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
- 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
- Welk probleem lost matrixfactorisatie op in aanbevelingen?
- Versleutelen van gebruikerswachtwoorden
- Videobestanden comprimeren
- Een schaarse gebruikersitemmatrix omzetten in compacte latente vectoren
- Het routeren van internetverkeer
- 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
- Welke concurrentie heeft ertoe bijgedragen dat aanbevelingsonderzoek populair werd?
- De Netflix-prijs
- De Turingprijs
- De Nobelprijs
- Het Eurovisie-festival
- 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
- 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
- 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