Вікторина, пов’язана з посібником · Середній Рівень

ШІ в ресторані та вікторина щодо рекомендацій щодо меню

Оцініть рекомендації щодо їжі, фільтрацію взаємодії, текст відгуку, пошук, вбудовування, доступність і обмеження контексту користувача.

Пов'язані напрямні шляхиШІ в ресторані та рекомендації щодо меню
Питання 1 з 8

На чому в першу чергу спирається спільна фільтрація для надання рекомендацій?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. На чому в першу чергу спирається спільна фільтрація для надання рекомендацій?
    • Шаблони від користувачів зі схожими смаками
    • Харчова цінність кожної страви
    • Дизайн інтер'єру ресторану
    • Температура на кухні в реальному часі
  2. Чому NLP-моделі огляду корисні в харчових додатках?
    • Вони швидше готують їжу
    • Вони підсумовують настрої та виділяють із тексту сигнали рівня тарілки
    • Вони замінюють потребу в меню
    • Вони встановлюють ціни в ресторанах
  3. In a proposed two-stage food recommender, what would candidate retrieval do before ranking?
    • Confirm the restaurant reservation
    • Process the customer’s payment
    • Select a candidate subset for a later scoring stage
    • Guarantee the final recommendation matches every preference
  4. Для чого використовуються вбудовування в рекомендаціях меню?
    • Зберігання паролів клієнтів
    • Шифрування адрес доставки
    • Вимірювання температури духовки
    • Представлення страв у вигляді векторів, щоб схожі предмети розташовувалися близько один до одного
  5. Why can a new diner with no recorded preferences pose a cold-start problem?
    • Interaction-based personalization has little user-history evidence to work from
    • The restaurant must change its menu
    • The model cannot represent food text
    • Opening hours become unavailable to everyone
  6. What can the MenuAI research system do with a menu image and a nutritional search key?
    • Book a table without user confirmation
    • Rank menu dishes according to a query such as calories or protein
    • Diagnose a food allergy from a photograph
    • Guarantee a dish is available today
  7. Why include restaurant availability or opening hours in recommendations?
    • It improves a model’s parameter count
    • It guarantees the restaurant is highest rated
    • A highly relevant option is not useful if it is unavailable at the requested time
    • It replaces user preferences
  8. What is one limitation of review-mining sentiment for food recommendations?
    • Sentiment scores are always objective
    • Reviews contain exact nutrition facts
    • Review mining removes popularity bias
    • A review’s language may be sparse, subjective, or unrepresentative of the current menu