Викторина, связанная с руководством · Средний Уровень

Рекомендации на основе графиков и викторина PinSage

Представление графов тестов, историческая архитектура PinSage, выборка окрестностей, пределы оценки и случаи, когда данные о взаимосвязях могут помочь.

Связанные направляющие путиРекомендации на основе графиков и Pinsage
Вопрос 1 из 8

Как цитируемая статья PinSage представляет данные Pinterest для своей модели?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Как цитируемая статья PinSage представляет данные Pinterest для своей модели?
    • В виде плоской таблицы только с ценами на товары.
    • В виде дерева, где каждому пину назначен один постоянный родительский элемент.
    • Как последовательность без связей между элементами
    • В виде графика с пинами и досками в виде наборов узлов, связанных членством в доске.
  2. Какую информацию PinSage объединил при изучении встраивания Pin?
    • Только пиксели изображения без графических связей
    • Контекст окрестности графа вместе с функциями узла, такими как встраивание визуальных элементов и аннотаций.
    • Только демографические данные пользователей и цена
    • Только названия плат без функций закрепления.
  3. Почему PinSage использовал выборку соседей методом случайного блуждания?
    • Чтобы удалить все связи графа из представления
    • Создание случайных этикеток продуктов для обучения.
    • Построить локализованные, ограниченные окрестности с акцентом на часто посещаемые узлы.
    • Точно обработать полную окрестность графа каждого узла
  4. Что помогает различать контекст графа в примере Pinterest?
    • Элементы, которые выглядят визуально похожими, но встречаются в разных контекстах доски.
    • Товары с одинаковой розничной ценой, но разных цветов.
    • Товары с одинаковым временем экспозиции в каждом фиде
    • Предметы, файлы изображений которых имеют только разное разрешение.
  5. Что PinSage демонстрирует в отношении рекомендателей графов?
    • Что каждый каталог должен использовать в качестве графика пины и доски.
    • Что результаты 2018 года гарантируют текущий рост производства во всем мире.
    • Масштабируемый подход на основе свертки графов для изучения встраивания элементов в одной настройке Pinterest.
    • Рекомендации по графам всегда превосходят модели контента.
  6. Когда взаимосвязи на графике могут стать полезным рекомендательным сигналом?
    • Когда значимые связи между элементами несут контекст, который сами по себе могут быть упущены
    • Когда отношения между элементами не имеют отношения к задаче
    • Всякий раз, когда модели требуется меньше проверок данных
    • Только когда у всех пользователей одинаковые интересы
  7. Какое сравнение оценок полезно перед принятием рекомендации по графику?
    • Сравнивайте только размерность внедрения модели.
    • Сравните его с базовыми показателями контента и взаимодействия для той же задачи.
    • Сравните потери обучения из несвязанных наборов данных
    • Пропустить задержку оценки, поскольку структура графика объясняет рекомендации
  8. Какой риск следует проверять при построении рекомендательных ребер?
    • Все ли узлы используют один и тот же формат изображения
    • Имеют ли векторные координаты удобочитаемые метки
    • Всегда ли рекомендация является самым новым элементом
    • Смещение популярности или отбора и актуальность ребер графа