Questionário sobre IA em sistemas de recomendação

As respostas e explicações aparecem conforme você responde ao teste.

1. Em que se baseia a filtragem colaborativa?
   • Padrões de preferência entre muitos usuários
   • As cores usadas na imagem de um item
   • O comprimento das descrições dos produtos
   • Embaralhando aleatoriamente o catálogo
2. O que a filtragem baseada em conteúdo usa para fazer recomendações?
   • Somente a hora do dia
   • Características dos itens e suas preferências anteriores
   • O preço das ações da empresa
   • Um cara ou coroa
3. Que problema a fatoração de matrizes resolve nos recomendadores?
   • Criptografando senhas de usuários
   • Compactando arquivos de vídeo
   • Transformando uma matriz esparsa de itens de usuário em vetores latentes compactos
   • Roteando o tráfego da Internet
4. Qual é o problema da 'partida a frio'?
   • Servidores muito frios para funcionar
   • Um vírus que congela contas
   • Recomendações que funcionam apenas no inverno
   • Dificuldade em recomendar para novos usuários ou itens sem histórico
5. Que competição ajudou a popularizar a pesquisa de recomendação?
   • O Prêmio Netflix
   • O Prêmio Turing
   • O Prêmio Nobel
   • O concurso da Eurovisão
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
   • Taxa de erro de palavras
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