Test sr 367109

TEST BORRADO, QUIZÁS LE INTERESE: SR

COMENTARIOS	ESTADÍSTICAS	RÉCORDS

REALIZAR TEST

Título del Test:
SR

Descripción:
no mires

Autor:
rodri
OTROS TESTS DEL AUTOR

Fecha de Creación:
10/05/2024

Categoría: Otros

Número Preguntas: 60

COMPARTE EL TEST

COMENTAR

No hay ningún comentario sobre este test.

Temario:

Las reglas de asociacion en sistemas de recomendacion no personalizados Producen buenas recomendaciones en contextos bien definidos Funcionan cuando las reglas son hibridas Producen buenas recomendaciones en general No funcionan en los sistemas de recomendacion no personalizados.
En los sistemas offline y de estudio de usuario se utilizan: Ambos cuestionarios y cuadros de tareas Cuadros de tareas a realizar Ninguno Cuestionarios.
Los sistemas colaborativos no utilizan para calcular sus recomendaciones: Caracteristicas de los productos a recomendar La similitud entre usuarios/productos Ninguno de ellos Algoritmos de Predicción .
Un sistema de recomendación híbrido: Combina múltiples algoritmos de predicción Combina múltiples algoritmos de recomendación Combina algoritmos colaborativos De ninguno de los anteriores .
El RSME es mejor que el MAE cuando: Nunca es mejor que el MAE Queremos penalizar errores de predicción muy altos Queremos penalizar errores de predicción en media Queremos penalizar errores de predicción bajos .
¿ Cuál de los siguientes no es uno de los principales problemas de los sistemas de recomendación colaborativos? Arranque en frío Baja cobertura con escasez de datos Dependencia del producto a recomendar Dificultad de escalabilidad .
El TF-IDF se utiliza en los sistemas de recomendación colaborativos para: Para incrementar la precisión de la recomendación Para normalizar la recomendacion Ponderar las características del perfil de usuario No se utiliza .
Cual de las siguientes no es una medida de precisión para métricas de uso de recomendación Precision F1 Todas los son MAE.
El proceso inmediatamente siguiente al cálculo del vecindario en un SR colaborativo item item es: Volvera calcular el vecindario con un k distinto Calcular la predicciones para los items no puntuados Calcular la similitud entre items Ordenar los items por similitud para recomendar los n mejores.
Un sistema de recomendación colaborativo necesita: Ninguno de los anteriores Información de las características de los productos a recomendar Datos de comportamiento de la comunidad de items del sistema Información demográfica de los usuarios .
Cuál de los siguientes modelos de experimentación se necesita llevar a cabo con usuarios reales del sistema: Offline Estudio de usuario Estudio de producto Online.
Que sistema de recomendación colaborativo necesita más memoria principal para funcionar: Basado en contenido Necesitan igual ltem-Item User-User .
El perfil de usuario de un sistema de recomendación basado en contenido utiliza como modelado matemático: Modelo de espacio vectoriales Algebra de retículos Relaciones de preferencia Ninguna de los anteriores .
Esta medida de similitud es: Similitud del coseno ajustado Coeficiente de correlación de Pearson Coeficiente de correlación de Pearson ajustado Similitud del coseno .
En un estudio experimental online que debe hacerse a priori: Fijar las variables de control Todas son verdaderas Las hipótesis a estudiar Desplegar el sistema a evaluar .
Los sistemas de recomendación colaborativos basados en item: Utilizan sólo los datos de producto para calcular las recomendaciones Los sistemas de recomendación basados en item no son colaborativos Calcular un modelo mediante clustering, redes bayesianas, etc. Para recomendar Utilizan la base de datos completa para calcular las recomendaciones.
Los sistemas de recomendación colaborativos se puede agrupar en: Los basados en modelos y vecindarios son colaborativos Los basados en modelos no son colaborativos Sistemas basados en modelos Sistemas basados en vecindario .
El objetivo de la métrica Recall es: Saber que el sistema devuelve el máximo de los items útiles El porcentaje de items útiles seleccionado es grande Evitar que el usuario pierda el tiempo con ítems no útiles Estar seguro que nuestro sistema no deja de recomendar item útiles .
Los sistemas de recomendación colaborativos basados en vecindarios User-User sufren el problema de: Escasez de datos Ambos problemas Arranque en frío Ninguno de ellos .
Los sistemas de recomendación colaborativos son: Independientes del item recomendado Capaces de calcular recomendaciones novedosas y con serendipia Fáciles de implementar a partir de las valoraciones de usuarios Todas son verdaderas.
Cual de los siguientes no es un tipo de experimentación para la evaluación de los sistemas de recomendación: Estudio de Item Offline Online Estudio de Usuario .
Los sistemas de recomendación basados en contenido se basan en: Ninguno de ellos Lógica difusa Herramientas de recuperación de información Algoritmos de Predicción .
El siguiente conjunto de datos, es una entrada de datos tipica de un: De cualquier tipo de sistema de Recomendación Sistema de Recomendación basado en contenido Sistema de Recomendación Colaborativo item-item Sistema de Recomendación basado en conocimiento.
Una métrica de soporte a decisión en los sistemas de recomendación nos indica: Cómo de bien predice el sistema la preferencia de los usuarios La corrección de los órdenes de la listas de recomendaciones La capacidad del sistema para elegir buenos items y evitar los malos La cobertura del sistema .
Cual de los siguientes no es un proceso de un sistema de personalizacion: Algoritmo de Predicción Perfilado de usuario Todos los son Modelado de contenido de los productos .
Este esquema pertenece a: Sistema colaborativo item-item Sistema colaborativo user-user Un sistema basado en contenido para items Un sistema basado en contenido para usuarios .
Las métricas de soporte a la decisión pueden usarse en los sistemas de recomendación colaborativos: Nunca Directamente Transformando los valores de la escala en valores de uso Silos valores de la escala son 0 y 1 .
Cual de las siguientes no es una ventaja de los métodos offline de evaluación: Son baratos Evaluan el comportamiento de los usuarios No se necesitan usuarios reales para realizarlos Todas son ventajas de los métodos oflline .
Un sistema de recomendación basado en contenido recomienda: Los productos cuya descripción es más similar al perfil del usuario Los productos con mejor valor del algoritmo de predicción Los productos que los usuarios parecidos han puntuado bajo Los productos que los usuarios parecidos han puntuado alto .
Cuál de los siguientes modelos de experimentación es el más barato de llevar a cabo: Estudio de producto Online Estudio de usuario Offline.
Los sistemas de recomendación colaborativos basados en memoria (user-user): Necesitan utilizar un modelo de la base de datos para calcular las recomendaciones Necesitan utilizar la base de datos completa para calcular las recomendaciones Necesitan utilizar sólo los datos de usuario para calcular las recomendaciones Necesitan utilizar sólo los datos de producto para calcular las recomendaciones .
¿Cuál de los siguientes no es una técnica de recomendación ? Basado en utilidad Basado en inteligencia Demográfico Basado en conocimiento .
Un perfil de usuario se puede construir almacenando: Intereses o intenciones del usuario Información demografica Comportamiento de usuario Todas son verdaderas.
La siguiente fórmula del coeficiente de correlación de Pearson: Devuelve valores en [-1,0] Devuelve valores en [0,1] Devuelve valores en [-1,1] Es incorrecta .
Cual de las siguientes es una medida de precisión para métricas de predicción de recomendación MAE Recall F1 Todas lo son .
Qué problema es único de los sistemas de recomendación colaborativos frente a los basados en contenido: Nuevo item Nuevo usuario Ninguno de ellos Dependencia del producto a recomendar .
En el algoritmo convencional SVD: Valores plurales Valores cuadráticos Valores diagonales Valores singulares.
En el algoritmo convencional SVD: U y T tienen filas ortogonales U y T tienen filas ortonormales U y T tienen columnas ortonormales U y T tienen columnas ortogonales .
Después de aplicar SVD y obtener: Los valores singulares de la matriz Σ indican: La ponderación de cada factor La relación existente entre usuario e item La relevancia de un item para cada factor La importancia que le otorga un usuario a cada factor .
El uso de SVD y de modelos de recomendación item-item coinciden en que: Ambos usan como modelo de predicción la similtud entre usuarios Ambos truncan el espacio incial para recomendar Ninguno usa ratings para predecir Ambos utilizan tres matrices para recomendar .
La idea en la que se basan los sistemas de recomendación basados en factorización de matrices es: El Algebra líneal nos permite encontrar patrones de comportamiento basados en traslaciones líneales Los perfiles de usuario e items mezclados, ya si pueden factorizarse y así predecir mejor Los perfiles de usuario al ser vectores no se pueden factorizar como matrices En los datos usados por los Colaborativos hay redundancia de información que podría reducirse .
Los valores de los factores que se calculan con la factorización de matrices significan: Ambos son ciertos El interés del usuario en cada uno de estos factores Todos son falsos Larelevancia del item para el factor.
Una Matriz A es diagonalizable si: Entonces A es invertible A y D son semejantes A y P son semejantes P es diagonal .
La descomposición en valores singulares (SVD) obtiene las matrices constituyentes de M, Siendo Σ: Una matriz diagonal con todos los valores igual a1 Una matriz diagonal cuyos valores son los valores singulares de M Es una matriz cuyos valores son el interés de cada usuario en los factores calculados Una matriz diagonal cuyos valores son los autovalores de M .
El análisis latente semántico basado en factorización de matrices en sistemas de recomendación pretende: Definir la semántica de los factores calculados Utilizar información demográfica para calcular los factores latentes además de los ratings Al ser una técnica de Recuperación de Información sólo se puede utilizar si los ratings son lingúísticos Descomponer los factores de usuarios e items a partir de los ratings.
La ventaja de usar SVD en sistemas de recomendación es: Tanto los usuarios como los items se representan por un número de factores k reducido Reduce el coste computacional del sistema de recomendación Se puede utilizar para decrementar el espacio vectorial Todas son verdaderas.
El SVD necesita matrices completas, al no tenerlas en los Sistemas de Recomendación se: Se aplica una algoritmo de mínimos cuadrados para calcular los factores Todas son verdaderas Se utiliza el gradiente descenciente para calcular los factores Rellena la matriz de ratings .
Los modelos de recomendación basados en factorización de matrices son superiores a los basados en vecindarios al: Ser más simples de implementar Definir similitud de items Producir recomendaciones de productos Definir similitud de usuarios.
Los vectores que representan los perfiles de usuario en los Sistemas de Recomendación Basados en Contenido se calculan: A partir de los vectores que representan los productos comprados por el usuario A partir de la media de las valoraciones de los productos Agregando los vectores de ratings de usuarios similiares A partir de los ratings de otros usuarios .
Una folksonomía, F, se define como una tupla, F := (T,U,I,A), donde T es: El conjunto de asignaciones de etiquetas a items de un usuario El conjunto de usuarios El conjunto de items El conjunto de etiquetas .
Un sistema de recomendación basado en contenido puede recomendar: Ninguno de los anteriores Siempre no tiene limitación A nuevos usuarios del sistema Nuevos productos en el sistema.
Los sistemas basados en contenido no sufren del problema de: Arranque en frío de usuario Sobre-especialización Arranque en frío para producto Escalabilidad.
El TFIDF se utiliza en los sistemas de recomendación basados en contenido para: Ninguno de los anteriores Calcular la similitud entre usuarios Para ponderar el peso de las características del vector de usuario o producto No se utiliza en este tipo de sistemas de recomendación .
Una Folksonomía está formada por: Un conjunto de peliculas Un conjunto de canciones folk Un conjunto de etiquetas Un conjunto de medidas de similitud .
Qué herramientas de la recuperación de información se utilizan en los sistemas de recomendación basados en contenido para modelar la información de los usuarios y productos: Todas son ciertas Modelo de Espacio Vectorial Factorización de vectores uninormales Algoritmos del vecino más cercano .
El siguiente esquema muestra un sistema de recomendacion: Sistema de Recomendación basado en Filtrado Colaborativo Sistema de Recomendación basado en Conocimiento Sistema de recomendación No Personalizado Ninguno de los indicados en las otras opciones.
¿ Qué sistema de los siguientes es no personalizado ? Zagat Todos lo son Ninguno lo es Netflix.
La formula utilizada por el SR Zagat, (Score = round (MEAN(ratings) * 10), funciona bien: En contextos concretos Sólo si el contexto de aplicación no es fundamental Con cualquier tipo de producto Sólo con restaurantes .
¿ Por qué las recomendaciones de Zagat se volvian peor con el paso del tiempo ? Por el uso de la media en lugar de la moda en la fórmula de recomendación Por la diversidad de usuarios No es cierto, mejoraban con el tiempo Porque los restaurantes eran peores cada año .
Las reglas de asociación en sistemas de recomendación no personalizados: Todas son falsas Funcionan siempre bien Necesitan ajustes para compensar la popularidad del usuario Necesitan ajustes para compensar la popularidad del producto .

Denunciar Test

▲