Викторина, связанная с руководством · Средний Уровень

Викторина по механизмам персонализации искусственного интеллекта

Узнайте, как рекомендательные системы сочетают поведение, функции элементов, поиск кандидатов и ранжирование, чтобы адаптировать список для одного пользователя.

Связанные направляющие путиМеханизмы персонализации искусственного интеллекта
Вопрос 1 из 8

На что в первую очередь опирается совместная фильтрация?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. На что в первую очередь опирается совместная фильтрация?
    • Шаблоны для многих пользователей, например. «Людям, которым понравился X, понравился и Y»
    • Только текстовое описание каждого товара
    • Уровень заряда батареи устройства пользователя
    • Фиксированный редакционный список топ-10
  2. В чем заключается «проблема холодного старта» в персонализации?
    • Серверы слишком долго загружаются
    • Мало или вообще нет данных о новом пользователе или новом элементе.
    • Рекомендации работают только зимой.
    • Пользователи часто выходят из системы
  3. Что делает первый этап (генерация кандидатов) в типичной двухэтапной архитектуре?
    • Точно ранжирует только десять предметов
    • Пишет окончательные описания продукта
    • Быстро сужает миллионы элементов до нескольких сотен.
    • Удаляет неактивные учетные записи пользователей
  4. Why might a recommender add a diversity objective to a ranked list?
    • To guarantee every item receives equal clicks
    • To remove all user-history signals
    • To make every recommendation random
    • To avoid filling the list with near-duplicate items and broaden the alternatives shown
  5. Что такое «вложения» в систему рекомендаций?
    • Векторы, представляющие пользователей и элементы, поэтому близость указывает на релевантность.
    • Физические чипы в сервере
    • Файлы cookie, хранящиеся в браузере
    • Тема письма по электронной почте
  6. Почему неявная обратная связь (клики, время просмотра) часто имеет больший вес, чем явные звездные рейтинги?
    • Легче подделать
    • Его гораздо больше, и он отражает реальное поведение.
    • Этого требует закон
    • Звездные рейтинги незаконны
  7. What does content-based filtering use to recommend items?
    • Only other users’ passwords
    • Random item order
    • Features of items a user has liked or interacted with
    • The device’s battery history
  8. What does normalized discounted cumulative gain (NDCG) evaluate?
    • The number of users who created accounts
    • The model’s training duration
    • Whether an item description is grammatically correct
    • The quality of a ranked list, giving higher weight to relevant items near the top