Rehber bağlantılı sınav · Orta Seviye

Öneri Sistemleri Testinde Yapay Zeka

Sıralanmış önerileri değerlendirmek için işbirliğine dayalı ve içerik tabanlı filtrelemeyi, seyrek kullanıcı öğesi verilerini, soğuk başlangıç ​​sınırlarını ve ölçümleri inceleyin.

İlgili kılavuz yollarıÖneri Sistemlerinde Yapay Zeka
Soru 1 arasında 8

İşbirliğine dayalı filtreleme neye dayanmaktadır?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. İşbirliğine dayalı filtreleme neye dayanmaktadır?
    • Birçok kullanıcının tercih kalıpları
    • Bir öğenin görselinde kullanılan renkler
    • Ürün açıklamalarının uzunluğu
    • Kataloğu rastgele karıştırma
  2. İçerik tabanlı filtreleme önerilerde bulunmak için ne kullanır?
    • Sadece günün saati
    • Öğelerin özellikleri ve geçmiş tercihleriniz
    • Şirketin hisse senedi fiyatı
    • Bir yazı tura atma
  3. Matris çarpanlarına ayırma, tavsiye verenlerde hangi sorunu çözer?
    • Kullanıcı şifrelerinin şifrelenmesi
    • Video dosyalarını sıkıştırma
    • Seyrek bir kullanıcı öğesi matrisini kompakt gizli vektörlere dönüştürme
    • İnternet trafiğini yönlendirme
  4. 'Soğuk başlatma' sorunu nedir?
    • Sunucular çalıştırılamayacak kadar soğuk
    • Hesapları donduran bir virüs
    • Yalnızca kışın çalışan öneriler
    • Yepyeni kullanıcılara veya geçmişi olmayan öğelere öneride bulunmanın zorluğu
  5. Tavsiye araştırmasının popülerleşmesine hangi rekabet yardımcı oldu?
    • Netflix Ödülü
    • Turing Ödülü
    • Nobel Ödülü
    • Eurovision yarışması
  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
    • Kelime hata oranı
  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