Questionário sobre sistemas de recomendação de IA

As respostas e explicações aparecem conforme você responde ao teste.

1. Em que se baseia a “filtragem colaborativa” para fazer recomendações?
   • Padrões entre muitos usuários com gostos semelhantes
   • A descrição do texto apenas de cada item
   • O preço do produto
   • Uma lista editorial fixa dos 10 melhores
2. A filtragem baseada em conteúdo recomenda itens principalmente por:
   • Amostragem aleatória do catálogo
   • Combinando recursos do item com suas preferências anteriores
   • Contando o total de vendas globais
   • Pedindo a outros usuários que votem
3. What did the Netflix Prize seek to improve by 10% over the Cinematch baseline?
   • Click-through rate for every recommended film
   • The number of films watched per user
   • Root mean squared error (RMSE) on the competition’s held-out ratings
   • A user’s average watch time on the service
4. Na fatoração matricial, usuários e itens são representados como:
   • Sinalizadores únicos sim/não
   • Revisões de texto simples
   • Datas do calendário
   • Vetores de 'fatores latentes' ocultos
5. What mechanism did the Deep Interest Network paper propose for modeling a user’s different interests across candidate ads?
   • A local activation unit that forms a candidate-specific interest representation
   • A fixed user vector that is identical for every candidate
   • A rule that selects only the most popular ad
   • A graph algorithm that proves every ad is relevant
6. Um recomendador 'híbrido' é aquele que:
   • Só funciona nos finais de semana
   • Combina métodos colaborativos e baseados em conteúdo
   • Não usa nenhum dado
   • Recomenda apenas os itens mais recentes
7. What is one limitation of collaborative filtering for a new item with no interactions?
   • It cannot use ratings
   • It requires item descriptions only
   • It may lack the interaction data needed to recommend the item
   • It always recommends every new item
8. What should a recommender evaluation measure besides click-through rate?
   • Only the model’s parameter count
   • Only training loss
   • Only the number of recommendations
   • User outcomes and harms such as diversity, exposure, or unwanted engagement