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.
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.
- 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.
- 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.
- 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
- 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.
- 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.
- 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
- 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
- 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