Test legat de ghid · Mediu Nivel

AI în testul sistemelor de recomandare

Review collaborative and content-based filtering, sparse user-item data, cold-start limits, and metrics for evaluating ranked recommendations.

Căi de ghidare aferenteAI în sistemele de recomandare
Întrebare 1 de 8

Pe ce se bazează filtrarea colaborativă?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Pe ce se bazează filtrarea colaborativă?
    • Modele de preferință pentru mulți utilizatori
    • Culorile utilizate în imaginea unui articol
    • Lungimea descrierilor produselor
    • Amestecare aleatoriu a catalogului
  2. Ce folosește filtrarea bazată pe conținut pentru a face recomandări?
    • Doar ora din zi
    • Caracteristicile articolelor și preferințele tale anterioare
    • Prețul acțiunilor companiei
    • O monedă
  3. Ce problemă rezolvă factorizarea matriceală în recomandatori?
    • Criptarea parolelor utilizatorului
    • Comprimarea fișierelor video
    • Transformarea unei matrice rare de articole utilizator în vectori latenți compacti
    • Dirijarea traficului pe internet
  4. Care este problema „pornirii la rece”?
    • Serverele sunt prea reci pentru a rula
    • Un virus care îngheață conturile
    • Recomandări funcționează doar iarna
    • Dificultăți de recomandare pentru utilizatori noi sau articole fără istoric
  5. Ce competiție a ajutat la popularizarea cercetării de recomandare?
    • Premiul Netflix
    • Premiul Turing
    • Premiul Nobel
    • Concursul Eurovision
  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
    • Rata de eroare a cuvintelor
  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