แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

AI ในแบบทดสอบระบบการแนะนำ

ตรวจสอบการกรองการทำงานร่วมกันและการกรองตามเนื้อหา ข้อมูลรายการผู้ใช้แบบกระจัดกระจาย ขีดจำกัดการเริ่มเย็น และตัวชี้วัดสำหรับการประเมินคำแนะนำที่ได้รับการจัดอันดับ

เส้นทางแนะนำที่เกี่ยวข้องAI ในระบบการแนะนำ
คำถาม 1 ของ 8

การกรองร่วมกันมีพื้นฐานมาจากอะไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. การกรองร่วมกันมีพื้นฐานมาจากอะไร?
    • รูปแบบการตั้งค่าของผู้ใช้จำนวนมาก
    • สีที่ใช้ในรูปภาพของรายการ
    • ความยาวของคำอธิบายผลิตภัณฑ์
    • สุ่มสับแคตตาล็อก
  2. การกรองตามเนื้อหาใช้อะไรในการให้คำแนะนำ
    • เพียงแต่เวลาของวันเท่านั้น
    • คุณสมบัติของรายการและความชอบในอดีตของคุณ
    • ราคาหุ้นของบริษัท
    • พลิกเหรียญ
  3. การแยกตัวประกอบเมทริกซ์แก้ปัญหาอะไรในตัวแนะนำ?
    • การเข้ารหัสรหัสผ่านผู้ใช้
    • การบีบอัดไฟล์วิดีโอ
    • การเปลี่ยนเมทริกซ์รายการผู้ใช้แบบกระจัดกระจายให้เป็นเวกเตอร์แฝงที่มีขนาดกะทัดรัด
    • กำหนดเส้นทางการรับส่งข้อมูลอินเทอร์เน็ต
  4. ปัญหา 'สตาร์ทเย็น' คืออะไร?
    • เซิร์ฟเวอร์เย็นเกินกว่าจะรันได้
    • ไวรัสที่ทำให้บัญชีค้าง
    • คำแนะนำใช้ได้เฉพาะในฤดูหนาวเท่านั้น
    • ความยากลำบากในการแนะนำสำหรับผู้ใช้ใหม่หรือรายการที่ไม่มีประวัติ
  5. การแข่งขันใดที่ช่วยเผยแพร่การวิจัยข้อเสนอแนะ?
    • รางวัล Netflix
    • รางวัลทัวริง
    • รางวัลโนเบล
    • การประกวดยูโรวิชัน
  6. What did Meyer and colleagues propose the Average Measure of Impact to evaluate?
    • Image classification accuracy
    • The impact of personalized recommendations on usefulness and trust
    • The number of ratings stored in a matrix
    • The GPU memory used by a recommender
  7. Which metric is designed to assess the quality of a ranked top-K recommendation list?
    • Mean absolute error on a single rating only
    • Pixel accuracy
    • NDCG@K
    • อัตราข้อผิดพลาดของคำ
  8. Why can a low rating-prediction error fail to guarantee a good recommendation list?
    • RMSE directly measures user satisfaction for every ranking
    • Every user sees every catalog item
    • A rating model cannot use user-item data
    • Rating accuracy and top-item ranking quality are different objectives