Викторина, связанная с руководством · Средний Уровень

Викторина с искусственным интеллектом в ресторанах и меню

Оценивайте рекомендации по питанию, фильтрацию взаимодействия, обзор текста, извлечение, встраивание, доступность и ограничения пользовательского контекста.

Связанные направляющие путиИИ в ресторане и рекомендации по меню
Вопрос 1 из 8

На что в первую очередь опирается совместная фильтрация при выработке рекомендаций?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. На что в первую очередь опирается совместная фильтрация при выработке рекомендаций?
    • Шаблоны от пользователей со схожими вкусами
    • Пищевая ценность каждого блюда
    • Дизайн интерьера ресторана
    • Температура на кухне в реальном времени
  2. Почему модели НЛП анализа обзоров полезны в приложениях, посвященных еде?
    • Они готовят еду быстрее
    • Они суммируют настроения и извлекают из текста сигналы на уровне блюда.
    • Они заменяют необходимость в меню
    • Они устанавливают цены в ресторанах
  3. In a proposed two-stage food recommender, what would candidate retrieval do before ranking?
    • Confirm the restaurant reservation
    • Process the customer’s payment
    • Select a candidate subset for a later scoring stage
    • Guarantee the final recommendation matches every preference
  4. Для чего используются встраивания в рекомендациях меню?
    • Хранение паролей клиентов
    • Шифрование адресов доставки
    • Измерение температуры духовки
    • Представление блюд в виде векторов, чтобы похожие предметы располагались близко друг к другу.
  5. Why can a new diner with no recorded preferences pose a cold-start problem?
    • Interaction-based personalization has little user-history evidence to work from
    • The restaurant must change its menu
    • The model cannot represent food text
    • Opening hours become unavailable to everyone
  6. What can the MenuAI research system do with a menu image and a nutritional search key?
    • Book a table without user confirmation
    • Rank menu dishes according to a query such as calories or protein
    • Diagnose a food allergy from a photograph
    • Guarantee a dish is available today
  7. Why include restaurant availability or opening hours in recommendations?
    • It improves a model’s parameter count
    • It guarantees the restaurant is highest rated
    • A highly relevant option is not useful if it is unavailable at the requested time
    • It replaces user preferences
  8. What is one limitation of review-mining sentiment for food recommendations?
    • Sentiment scores are always objective
    • Reviews contain exact nutrition facts
    • Review mining removes popularity bias
    • A review’s language may be sparse, subjective, or unrepresentative of the current menu