گائیڈ سے منسلک کوئز · درمیانہ سطح
AI سفارشی نظام کوئز
سفارش کے طریقوں، باہمی تعاون اور مواد کی فلٹرنگ، میٹرکس فیکٹرائزیشن، ہائبرڈ سسٹمز، اور مشغولیت کے خطرات کا جائزہ لیں۔
سوال 1 کی 8
'تعاون کے ساتھ فلٹرنگ' سفارشات کرنے کے لیے کس چیز پر انحصار کرتی ہے؟
ہر سوال کا جائزہ لیں۔8 سوالات
جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔
- 'تعاون کے ساتھ فلٹرنگ' سفارشات کرنے کے لیے کس چیز پر انحصار کرتی ہے؟
- ایک جیسے ذوق کے حامل بہت سے صارفین کے پیٹرن
- صرف ہر آئٹم کے متن کی تفصیل
- پروڈکٹ کی قیمت
- ایک مقررہ ادارتی ٹاپ 10 فہرست
- مواد پر مبنی فلٹرنگ آئٹمز کی تجویز کرتا ہے بنیادی طور پر:
- کیٹلاگ کا بے ترتیب نمونہ لینا
- آپ کی ماضی کی ترجیحات کے مطابق آئٹم کی خصوصیات
- کل عالمی فروخت کی گنتی
- دوسرے صارفین کو ووٹ دینے کے لیے کہہ رہا ہے۔
- 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
- میٹرکس فیکٹرائزیشن میں، صارفین اور اشیاء کی نمائندگی اس طرح کی جاتی ہے:
- واحد ہاں/نہیں پرچم
- سادہ متن کا جائزہ
- کیلنڈر کی تاریخیں۔
- پوشیدہ 'اویکت عوامل' کے ویکٹر
- 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
- ایک 'ہائبرڈ' تجویز کنندہ وہ ہے جو:
- صرف ویک اینڈ پر کام کرتا ہے۔
- باہمی تعاون اور مواد پر مبنی طریقوں کو یکجا کرتا ہے۔
- بالکل بھی کوئی ڈیٹا استعمال نہیں کرتا
- صرف تازہ ترین آئٹمز کی تجویز کرتا ہے۔
- 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
- 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