Yapay Zeka Öneri Sistemleri Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. 'İşbirlikçi filtreleme' önerilerde bulunmak için neye dayanır?
   • Benzer zevklere sahip birçok kullanıcı arasındaki kalıplar
   • Yalnızca her öğenin metin açıklaması
   • Ürünün fiyatı
   • Sabit bir editoryal ilk 10 listesi
2. İçerik tabanlı filtreleme, öğeleri esas olarak şu şekilde önerir:
   • Kataloğun rastgele örneklenmesi
   • Öğe özelliklerini geçmiş tercihlerinizle eşleştirme
   • Toplam küresel satışları sayma
   • Diğer kullanıcılardan oy vermelerini istemek
3. What did the Netflix Prize seek to improve by 10% over the Cinematch baseline?
   • Click-through rate for every recommended film
   • The number of films watched per user
   • Root mean squared error (RMSE) on the competition’s held-out ratings
   • A user’s average watch time on the service
4. Matris çarpanlarına ayırmada kullanıcılar ve öğeler şu şekilde temsil edilir:
   • Tek evet/hayır işaretleri
   • Düz metin incelemeleri
   • Takvim tarihleri
   • Gizli 'gizli faktörlerin' vektörleri
5. What mechanism did the Deep Interest Network paper propose for modeling a user’s different interests across candidate ads?
   • A local activation unit that forms a candidate-specific interest representation
   • A fixed user vector that is identical for every candidate
   • A rule that selects only the most popular ad
   • A graph algorithm that proves every ad is relevant
6. Bir 'melez' önerici şu özelliklere sahiptir:
   • Sadece hafta sonları çalışır
   • İşbirliğine dayalı ve içerik tabanlı yöntemleri birleştirir
   • Hiçbir veri kullanmaz
   • Yalnızca en yeni öğeleri önerir
7. What is one limitation of collaborative filtering for a new item with no interactions?
   • It cannot use ratings
   • It requires item descriptions only
   • It may lack the interaction data needed to recommend the item
   • It always recommends every new item
8. What should a recommender evaluation measure besides click-through rate?
   • Only the model’s parameter count
   • Only training loss
   • Only the number of recommendations
   • User outcomes and harms such as diversity, exposure, or unwanted engagement