Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra tìm kiếm trang web AI cho cửa hàng trực tuyến

Kiểm tra tìm kiếm trong cửa hàng AI: hiểu truy vấn, truy xuất và sắp xếp lại, từ đồng nghĩa, bộ lọc cứng, thông tin danh mục, số liệu liên quan, xu hướng nhấp chuột và quyền riêng tư.

Đường dẫn hướng dẫn liên quanTìm kiếm trang web AI cho các cửa hàng trực tuyến
Câu hỏi 1 của 8

Tại sao hệ thống tìm kiếm hai giai đoạn có thể sử dụng cả truy xuất và sắp xếp lại?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Tại sao hệ thống tìm kiếm hai giai đoạn có thể sử dụng cả truy xuất và sắp xếp lại?
    • Xếp hạng lại tạo danh mục từ đầu
    • Truy xuất tìm ứng viên; người sắp xếp lại sắp xếp các ứng viên đó bằng cách sử dụng các tín hiệu liên quan bổ sung
    • Việc truy xuất chỉ được sử dụng sau khi xếp hạng cuối cùng
    • Cả hai giai đoạn đều đảm bảo nhận dạng sản phẩm chính xác
  2. Quy tắc từ đồng nghĩa ánh xạ “giày thể thao” thành “giày chạy bộ”. Rủi ro nào cần được kiểm tra?
    • Quy tắc sẽ xóa tất cả các sản phẩm giày
    • Một từ đồng nghĩa thay đổi chất liệu của sản phẩm
    • Một từ đồng nghĩa ngăn cản việc sửa lỗi chính tả
    • Việc mở rộng có thể trả về những sản phẩm không liên quan đến một số truy vấn về giày thể thao
  3. Một sản phẩm có vẻ phù hợp nhưng không đáp ứng bộ lọc kích thước đã chọn. Hệ thống tìm kiếm nên làm gì?
    • Loại trừ nó vì các bộ lọc rõ ràng là những hạn chế cứng
    • Quảng bá nó nếu tỷ lệ nhấp chuột của nó cao
    • Bỏ qua bộ lọc khi mô hình AI tự tin
    • Show it as a synonym
  4. Why can click logs create a feedback loop in product search?
    • Clicks are collected before products are shown
    • A click proves a product is available
    • Top-ranked products receive more exposure and clicks, which can reinforce their future rank
    • Click data remove position bias automatically
  5. Which offline metric rewards relevant products appearing near the top of results?
    • Pixel accuracy
    • NDCG
    • BLEU
    • Tỷ lệ lỗi từ
  6. Why test long-tail and zero-result queries?
    • Average performance can hide failures on less common needs and missing catalog coverage
    • Long-tail queries always have more clicks
    • A zero-result query proves a user is not interested
    • Common queries are never relevant
  7. A model infers that a jacket is waterproof from marketing copy, but the catalog has no verified waterproof attribute. What is the risk?
    • The model will improve inventory accuracy
    • The jacket’s stock count changes
    • A filter cannot display products
    • Search may make an unsupported product claim based on ambiguous text
  8. Which measure complements conversion when evaluating search?
    • Model training time only
    • Number of vector dimensions
    • Zero-result searches, reformulations, returns, and complaints
    • Page color preference