แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบเครื่องมือปรับแต่ง AI ส่วนบุคคล

เรียนรู้ว่าระบบผู้แนะนำผสมผสานพฤติกรรม คุณลักษณะรายการ การดึงข้อมูลผู้สมัคร และการจัดอันดับเพื่อปรับแต่งรายการสำหรับผู้ใช้รายเดียวได้อย่างไร

เส้นทางแนะนำที่เกี่ยวข้องเครื่องมือปรับแต่ง AI ส่วนบุคคล
คำถาม 1 ของ 8

การกรองร่วมกันอาศัยอะไรเป็นหลัก?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. การกรองร่วมกันอาศัยอะไรเป็นหลัก?
    • รูปแบบของผู้ใช้จำนวนมาก เช่น 'คนชอบ X ก็ชอบ Y'
    • เฉพาะคำอธิบายข้อความของแต่ละรายการเท่านั้น
    • ระดับแบตเตอรี่ของอุปกรณ์ของผู้ใช้
    • รายการบรรณาธิการ 10 อันดับแรกแบบคงที่
  2. 'ปัญหาการสตาร์ทเย็น' ในการปรับเปลี่ยนในแบบของคุณคืออะไร?
    • เซิร์ฟเวอร์ใช้เวลาบูตนานเกินไป
    • มีข้อมูลเพียงเล็กน้อยหรือไม่มีเลยเกี่ยวกับผู้ใช้ใหม่หรือรายการใหม่
    • คำแนะนำใช้ได้เฉพาะในฤดูหนาวเท่านั้น
    • ผู้ใช้ออกจากระบบบ่อยครั้ง
  3. ในสถาปัตยกรรมสองขั้นตอนทั่วไป ขั้นตอนแรก (การสร้างผู้สมัคร) ทำหน้าที่อะไร
    • จัดอันดับอย่างแม่นยำเพียงสิบรายการ
    • เขียนคำอธิบายผลิตภัณฑ์ขั้นสุดท้าย
    • จำกัดรายการหลายล้านรายการให้เหลือเพียงไม่กี่ร้อยรายการอย่างรวดเร็ว
    • ลบบัญชีผู้ใช้ที่ไม่ได้ใช้งาน
  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. 'การฝัง' ในระบบการแนะนำคืออะไร
    • เวกเตอร์ที่แสดงถึงผู้ใช้และรายการต่างๆ ดังนั้นความใกล้ชิดจึงบ่งบอกถึงความเกี่ยวข้อง
    • ชิปฟิสิคัลในเซิร์ฟเวอร์
    • คุกกี้ที่จัดเก็บไว้ในเบราว์เซอร์
    • หัวเรื่องอีเมล
  6. เหตุใดความคิดเห็นโดยนัย (จำนวนคลิก เวลาในการรับชม) จึงมักมีน้ำหนักมากกว่าการให้ดาวอย่างชัดเจน
    • มันง่ายกว่าที่จะปลอม
    • มีมากมายมากขึ้นและสะท้อนถึงพฤติกรรมที่แท้จริง
    • มันเป็นสิ่งจำเป็นตามกฎหมาย
    • การให้คะแนนดาวเป็นสิ่งผิดกฎหมาย
  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
    • ระยะเวลาการฝึกของโมเดล
    • Whether an item description is grammatically correct
    • The quality of a ranked list, giving higher weight to relevant items near the top