Rehber bağlantılı sınav · Orta Seviye
Yapay Zeka Kişiselleştirme Motorları Testi
Tavsiye sistemlerinin davranışı, öğe özelliklerini, aday erişimini ve sıralamayı tek bir kullanıcıya özel bir liste oluşturmak için nasıl birleştirdiğini öğrenin.
Soru 1 arasında 8
İşbirliğine dayalı filtreleme öncelikle neye dayanır?
Her soruyu önizleyin8 sorular
Testi çözdüğünüzde cevaplar ve açıklamalar görünür.
- İşbirliğine dayalı filtreleme öncelikle neye dayanır?
- Birçok kullanıcıdaki modeller, ör. 'X'i sevenler Y'yi de beğendiler'
- Her öğenin yalnızca metin açıklaması
- Kullanıcının cihazının pil seviyesi
- Sabit bir editoryal ilk 10 listesi
- Kişiselleştirmede 'soğuk başlangıç sorunu' nedir?
- Sunucuların başlatılması çok uzun sürüyor
- Yeni bir kullanıcı veya yeni öğe hakkında çok az veriye sahip olmak veya hiç veriye sahip olmamak
- Yalnızca kışın çalışan öneriler
- Kullanıcılar sık sık oturumu kapatıyor
- Tipik iki aşamalı bir mimaride, ilk (aday nesil) aşama ne yapar?
- Yalnızca on öğeyi tam olarak sıralar
- Nihai ürün açıklamalarını yazar
- Milyonlarca öğeyi hızla birkaç yüze indirir
- Etkin olmayan kullanıcı hesaplarını siler
- 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
- Öneri sistemindeki 'yerleştirmeler' nedir?
- Kullanıcıları ve öğeleri temsil eden vektörler, yakınlığın alaka düzeyini işaret etmesini sağlar
- Sunucudaki fiziksel çipler
- Tarayıcıda saklanan çerezler
- E-posta konu satırları
- Örtülü geri bildirimler (tıklamalar, izlenme süresi) neden genellikle açık yıldız derecelendirmelerine göre daha fazla ağırlıklandırılıyor?
- Sahte olmak daha kolaydır
- Çok daha fazladır ve gerçek davranışı yansıtır
- Kanunen gerekli
- Yıldız derecelendirmeleri yasa dışıdır
- 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
- 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