Maswali yanayounganishwa na mwongozo · Kati Kiwango

Maswali ya Injini za Kubinafsisha za AI

Jifunze jinsi mifumo ya wapendekezaji inavyochanganya tabia, vipengele vya vipengee, urejeshaji wa mteuliwa na nafasi ili kutayarisha orodha ya mtumiaji mmoja.

Njia za mwongozo zinazohusianaInjini za Kubinafsisha za AI
Swali 1 ya 8

Uchujaji shirikishi unategemea nini kimsingi?

Hakiki kila swali8 maswali

Majibu na maelezo huonekana unapojibu maswali.

  1. Uchujaji shirikishi unategemea nini kimsingi?
    • Sampuli kwa watumiaji wengi, k.m. 'watu waliopenda X pia walipenda Y'
    • Maelezo ya maandishi pekee ya kila kipengee
    • Kiwango cha betri ya kifaa cha mtumiaji
    • Orodha ya 10 bora ya wahariri
  2. Je! ni 'tatizo la kuanza kwa baridi' katika ubinafsishaji?
    • Seva zinachukua muda mrefu kuwasha
    • Kuwa na data kidogo au kutokuwa na data yoyote kuhusu mtumiaji mpya au bidhaa mpya
    • Mapendekezo ya kufanya kazi tu wakati wa baridi
    • Watumiaji hutoka nje mara kwa mara
  3. Katika usanifu wa kawaida wa hatua mbili, hatua ya kwanza (ya kizazi cha mgombea) hufanya nini?
    • Kwa usahihi safu ya vitu kumi tu
    • Huandika maelezo ya mwisho ya bidhaa
    • Haraka hupunguza mamilioni ya vitu hadi mia chache
    • Hufuta akaunti za mtumiaji ambazo hazitumiki
  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. Je, 'upachikaji' katika mfumo wa mapendekezo ni nini?
    • Vekta zinazowakilisha watumiaji na vitu hivyo ukaribu huashiria umuhimu
    • Chips za kimwili kwenye seva
    • Vidakuzi vilivyohifadhiwa kwenye kivinjari
    • Barua pepe mistari ya mada
  6. Kwa nini maoni yasiyo dhahiri (mibofyo, saa za kutazama) mara nyingi hulemewa sana na ukadiriaji wa nyota zilizo wazi?
    • Ni rahisi kudanganya
    • Ni nyingi zaidi na huonyesha tabia halisi
    • Inatakiwa na sheria
    • Ukadiriaji wa nyota ni kinyume cha sheria
  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