所谓( )就是新用户没有太多的行为,我们无法为他计算个性化推荐。这时可行的推荐策略是为这类用户推荐热门物品、通过人工编排筛选出的物品。或者用户只有很少的行为,协同过滤效果也不好,这时可以采用基于内容的推荐算法补充。
A: 稀疏性问题
B: 物品冷启动
C: 用户冷启动问题
D: 系统冷启动
A: 稀疏性问题
B: 物品冷启动
C: 用户冷启动问题
D: 系统冷启动
C
举一反三
- 所谓( )就是新的标的物加入系统,没有用户操作行为,这时协同过滤算法也无法将该物品推荐给用户。 A: 用户冷启动问题 B: 物品冷启动 C: 系统冷启动 D: 稀疏性问题
- 所谓( )就是该产品是一个新开发不久的产品,还在发展用户初期阶段,这时协同过滤算法基本无法起作用,最好采用基于内容的推荐算法或者直接利用编辑编排一些多样性的优质内容作为推荐备选推荐集。 A: 用户冷启动问题 B: 系统冷启动 C: 稀疏性问题 D: 物品冷启动
- 协同过滤算法存在哪些不足( )。 A: 系统冷启动 B: 物品冷启动 C: 稀疏性问题 D: 用户冷启动问题
- 基于协同过滤推荐对于新物品和新用户没有冷启动问题。( )
- 协同过滤算法可能存在的问题有() A: 冷启动问题(当有一名新用户或新物品进入系统时,推荐将无从依据) B: 稀疏性问题 C: 对于用户评分数据的准确性有较高依赖 D: 在计算的过程中,热门物品被推荐的几率更大
内容
- 0
推荐系统的推荐方法包括: A: 专家推荐(人工推荐) B: 基于统计推荐(热门推荐)、基于内容推荐 C: 协同过滤推荐(基于用户、基于物品、基于模型) D: 混合推荐
- 1
协同过滤,包括协同和过滤两个操作。对于推荐系统来说,通过用户的持续协同作用,最终给用户的推荐会越来越准。而过滤,就是从可行的决策(推荐)方案(物品)中将用户喜欢的方案(物品)找(过滤)出来。( )
- 2
根据推荐物品或内容的原数据,发现物品或者内容的相关性,然后根据用户以往的喜好,推荐给用户相似的物品,这种智能推荐方法属于( )。 A: 基于内容推荐 B: 基于协同过滤推荐 C: 混合推荐 D: 以上都不是
- 3
根据用户的历史行为推荐相似物品比如电影网、音乐网,更注重个性,通常采用基于( )的协同过滤(ItemCF算法)。
- 4
( )是自动联系用户和物品的一种工具,和搜索引擎相比,其通过研究用户的兴趣偏好,进行个性化计算。 A: 用户历史记录 B: 推荐系统 C: 个性化推荐 D: 推荐算法