Викторина «ИИ в рекомендательных системах»

Ответы и пояснения появляются по мере прохождения теста.

1. На чем основана коллаборативная фильтрация?
   • Модели предпочтений многих пользователей
   • Цвета, используемые в изображении предмета
   • Длина описаний товаров
   • Случайное перетасовывание каталога
2. Что использует фильтрация на основе контента для выдачи рекомендаций?
   • Только время суток
   • Особенности предметов и ваши прошлые предпочтения
   • Стоимость акций компании
   • Подбрасывание монеты
3. Какую проблему решает матричная факторизация в рекомендателях?
   • Шифрование паролей пользователей
   • Сжатие видеофайлов
   • Превращение разреженной матрицы пользовательских элементов в компактные скрытые векторы
   • Маршрутизация интернет-трафика
4. В чем проблема «холодного запуска»?
   • Серверы слишком холодные для работы
   • Вирус, блокирующий учетные записи
   • Рекомендации работают только зимой.
   • Трудно рекомендовать новым пользователям или товарам без истории.
5. Какой конкурс помог популяризировать исследования рекомендаций?
   • Премия Netflix
   • Премия Тьюринга
   • Нобелевская премия
   • Конкурс Евровидение
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
   • Частота ошибок в словах
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