80 Quiz: Ενότητα 11 (11.4-11.4.1-11.4.2-11.4.3)-Συστήματα Συστάσεων (Recommendation Systems)

Συστήματα Συστάσεων (Recommendation Systems)

Σκορ: 0 / 25

Χρόνος: 20:00

1. Ποιος είναι ο πρωταρχικός στόχος των συστημάτων συστάσεων (recommendation systems);

Να αποθηκεύουν μεγάλους όγκους δεδομένων. Να υποστηρίζουν τη λήψη αποφάσεων προτείνοντας προϊόντα/υπηρεσίες με βάση τις πιθανές προτιμήσεις του χρήστη. Να καταγράφουν την εμπορική επιτυχία μιας επιχείρησης. Να αυτοματοποιούν τη διαδικασία πληρωμής σε μια πλατφόρμα.

Τα συστήματα συστάσεων έχουν ως στόχο να υποστηρίξουν τη λήψη αποφάσεων προτείνοντας προϊόντα, υπηρεσίες ή περιεχόμενο που είναι πιο πιθανό να ενδιαφέρουν τον χρήστη.

2. Ποιο από τα ακόλουθα ΔΕΝ αναφέρεται ρητά ως τύπος δεδομένων που αναλύουν τα recommendation systems για την παραγωγή προτάσεων;

Προτιμήσεις. Κατάσταση αποθεμάτων. Βαθμολογίες (ratings). Συμπεριφορά περιήγησης.

Τα recommendation systems αναλύουν κυρίως δεδομένα που σχετίζονται με τον χρήστη, όπως προτιμήσεις, αγορές, βαθμολογίες και συμπεριφορά περιήγησης, και όχι την κατάσταση των αποθεμάτων.

3. Ποιος από τους παρακάτω στόχους ΔΕΝ εξυπηρετείται από τα recommendation systems;

Βελτίωση της εμπειρίας του χρήστη. Ενίσχυση των πωλήσεων και της δέσμευσης των πελατών. Προσφορά ανταγωνιστικού πλεονεκτήματος μέσω εξατομίκευσης. Αυτόματη αντικατάσταση των εργαζομένων του τμήματος Marketing.

Ο ρόλος των συστημάτων συστάσεων είναι η υποστήριξη και η ενίσχυση της δέσμευσης των πελατών, όχι η αντικατάσταση των εργαζομένων.

4. Ποιες δύο βασικές τεχνικές πωλήσεων ενισχύονται στο ηλεκτρονικό εμπόριο από τα συστήματα συστάσεων;

Μείωση κόστους και αύξηση παραγωγικότητας. Διασταυρούμενες πωλήσεις (cross-selling) και επιπρόσθετες αγορές (up-selling). Πρόβλεψη καιρού και διαχείριση αποθεμάτων. Τυποποίηση προϊόντων και έλεγχος ποιότητας.

Στις πλατφόρμες e-commerce, τα συστήματα συστάσεων ενισχύουν τις πωλήσεις μέσω cross-selling (πρόταση συμπληρωματικών προϊόντων) και up-selling (πρόταση προϊόντων υψηλότερης αξίας).

5. Σε περιβάλλοντα e-learning, τι προτείνουν τα recommendation systems με βάση το επίπεδο του εκπαιδευόμενου;

Ευκαιρίες εσωτερικής εργασίας. Επενδυτικά προϊόντα. Μαθήματα, εκπαιδευτικό υλικό ή ασκήσεις. Προληπτικές εξετάσεις.

Στα συστήματα μάθησης, προτείνονται μαθήματα, υλικό ή ασκήσεις που ταιριάζουν στις ανάγκες και στο επίπεδο του εκπαιδευόμενου.

6. Πώς συμβάλλουν τα συστήματα συστάσεων στη διαχείριση ανθρώπινου δυναμικού (HR);

Προτείνοντας εξωτερικούς υποψήφιους. Προτείνοντας εσωτερικές θέσεις εργασίας ή έργα με βάση προσόντα/εμπειρία. Αυξάνοντας τον αριθμό των υπαλλήλων. Μειώνοντας τον κίνδυνο επισφαλών πελατών.

Στο HR, προτείνονται ευκαιρίες εκπαίδευσης, εσωτερικές θέσεις εργασίας ή έργα, με βάση τα προσόντα και τις επαγγελματικές προτιμήσεις του εργαζομένου.

7. Ποιος άλλος τομέας, εκτός e-commerce, Εκπαίδευσης και HR, αναφέρεται ρητά ως πεδίο εφαρμογής των συστημάτων συστάσεων;

Αεροδιαστημική μηχανική. Ψυχαγωγία (π.χ. Netflix, Spotify). Ενεργειακή πολιτική. Γεωργική παραγωγή.

Η ψυχαγωγία (όπως Netflix, Spotify) είναι ένας από τους βασικούς τομείς όπου τα συστήματα συστάσεων έχουν μεγάλη εφαρμογή.

8. Ποια είναι η βασική αρχή λειτουργίας του **collaborative filtering**;

Τα προϊόντα με παρόμοια χαρακτηριστικά θα αρέσουν στον ίδιο χρήστη. Οι χρήστες που είχαν παρόμοιες προτιμήσεις στο παρελθόν πιθανότατα θα έχουν παρόμοιες προτιμήσεις στο μέλλον. Η πρόταση βασίζεται μόνο στις τυχαίες επιλογές. Το σύστημα απαιτεί πληροφορίες μόνο για τα προϊόντα και όχι για τους χρήστες.

Το collaborative filtering λειτουργεί με βάση την αρχή της ομοιότητας συμπεριφοράς μεταξύ των χρηστών.

9. Σε τι βασίζεται ο εντοπισμός χρηστών με παρόμοιο προφίλ στο collaborative filtering;

Στα φυσικά χαρακτηριστικά των προϊόντων (π.χ. χρώμα, μέγεθος). Στις αλληλεπιδράσεις των χρηστών με προϊόντα/υπηρεσίες (π.χ. βαθμολογίες, αγορές). Στις δημογραφικές τους πληροφορίες. Στην ανάλυση κειμένου των περιγραφών των προϊόντων.

Το collaborative filtering συλλέγει δεδομένα για τις αλληλεπιδράσεις των χρηστών με προϊόντα/υπηρεσίες για να βρει παρόμοια προφίλ.

10. Στο παράδειγμα του Netflix, αν ο χρήστης Α έχει παρόμοιο ιστορικό προβολών με τον χρήστη Β, ποιες ταινίες προτείνει το collaborative filtering στον Α;

Τις πιο δημοφιλείς ταινίες της πλατφόρμας. Ταινίες που είδε ο Β αλλά όχι ο Α. Ταινίες που είδε ο Α αλλά όχι ο Β. Ταινίες που δεν έχουν αξιολογηθεί από κανέναν χρήστη.

Η λογική του collaborative filtering είναι να προτείνει στον χρήστη-στόχο προϊόντα που άρεσαν σε παρόμοιους χρήστες, αλλά τα οποία ο ίδιος δεν έχει ακόμη δει ή αγοράσει.

11. Ποιο είναι ένα βασικό χαρακτηριστικό του collaborative filtering σε σχέση με τις πληροφορίες προϊόντων;

Απαιτεί λεπτομερή περιγραφή κάθε προϊόντος. Δεν απαιτεί πληροφορίες για τα προϊόντα. Απαιτεί μόνο την τιμή του προϊόντος. Βασίζεται μόνο στην κατηγορία του προϊόντος.

Το collaborative filtering εστιάζει στις αλληλεπιδράσεις των χρηστών και όχι στα χαρακτηριστικά των ίδιων των προϊόντων.

12. Πώς επηρεάζεται η λειτουργία του collaborative filtering από την αύξηση των χρηστών και των αλληλεπιδράσεων;

Λειτουργεί χειρότερα. Μπορεί να οδηγήσει σε σφάλματα. Λειτουργεί καλύτερα. Δεν επηρεάζεται καθόλου.

Το collaborative filtering λειτουργεί καλύτερα όσο αυξάνονται οι χρήστες και οι αλληλεπιδράσεις, καθώς αυξάνεται η βάση σύγκρισης για την εύρεση παρόμοιων προφίλ.

13. Ποιο πρόβλημα (περιορισμός) μπορεί να αντιμετωπίσει το collaborative filtering όταν υπάρχουν λίγα δεδομένα;

Το πρόβλημα του "Cross-selling". Το πρόβλημα του "Cold start". Το πρόβλημα της "Τυποποίησης". Το πρόβλημα του "Up-selling".

Το collaborative filtering μπορεί να έχει πρόβλημα όταν υπάρχουν λίγα δεδομένα (π.χ. νέοι χρήστες ή νέα προϊόντα), μια κατάσταση γνωστή ως "cold start".

14. Σε τι βασίζεται το **content-based filtering**;

Στις προτιμήσεις των παρόμοιων χρηστών. Στα χαρακτηριστικά των ίδιων των προϊόντων ή υπηρεσιών και στις ατομικές προτιμήσεις του χρήστη. Στον μέσο όρο των βαθμολογιών όλων των χρηστών. Στην τυχαία επιλογή προτάσεων.

Το content-based filtering αναλύει τα χαρακτηριστικά των προϊόντων και τις ατομικές προτιμήσεις του χρήστη-στόχου.

15. Τι αναλύει το σύστημα στο content-based filtering για να κάνει μια πρόταση;

Τις αγορές όλων των χρηστών. Τα χαρακτηριστικά των προϊόντων που έχει ήδη προτιμήσει ο χρήστης (π.χ. κατηγορία, περιγραφή). Την ηλικία και το φύλο του χρήστη. Τις τιμές των προϊόντων.

Το content-based filtering αναλύει τα χαρακτηριστικά των προϊόντων που άρεσαν στον χρήστη (π.χ. κατηγορία, ετικέτες) και προτείνει παρόμοια.

16. Σε ένα ηλεκτρονικό κατάστημα βιβλίων, αν ένας χρήστης αγόρασε ιστορικά μυθιστορήματα φαντασίας, τι θα του προτείνει το content-based filtering;

Τα βιβλία με τις καλύτερες πωλήσεις παγκοσμίως. Βιβλία που έχουν παρόμοια θεματολογία ή στιλ γραφής. Βιβλία που αγόρασε ένας άλλος χρήστης με το ίδιο όνομα. Άσχετα προϊόντα, όπως είδη σπιτιού.

Η μέθοδος αυτή προτείνει προϊόντα που έχουν παρόμοια χαρακτηριστικά με αυτά που άρεσαν στον χρήστη στο παρελθόν.

17. Τι ΔΕΝ απαιτεί το content-based filtering για να λειτουργήσει;

Πληροφορίες για τα χαρακτηριστικά των προϊόντων. Δεδομένα για άλλους χρήστες. Πληροφορίες για τις προηγούμενες προτιμήσεις του χρήστη-στόχου. Προϊόντα με παρόμοια χαρακτηριστικά.

Το content-based filtering βασίζεται μόνο στις ατομικές προτιμήσεις του χρήστη και στα χαρακτηριστικά των προϊόντων, όχι στη συμπεριφορά άλλων χρηστών.

18. Ποιος είναι ένας περιορισμός του content-based filtering;

Λειτουργεί μόνο όταν υπάρχουν εκατομμύρια χρήστες. Μπορεί να περιορίσει τις προτάσεις σε παρόμοιο περιεχόμενο (λίγο «στενό» στις προτάσεις). Έχει πρόβλημα "Cold start". Απαιτεί τη βαθμολογία όλων των προϊόντων από όλους τους χρήστες.

Επειδή το σύστημα προτείνει μόνο προϊόντα παρόμοια με αυτά που ήδη άρεσαν στον χρήστη, οι προτάσεις μπορεί να είναι περιορισμένες και όχι αρκετά «ευρείες» (diversified).

19. Ποια μέθοδος συστάσεων βασίζεται στην **ομοιότητα μεταξύ χρηστών** (δηλαδή, τι άρεσε σε παρόμοιους ανθρώπους);

Content-based filtering. Collaborative filtering. Classification. Clustering.

Το collaborative filtering εντοπίζει χρήστες με παρόμοιο προφίλ και προτείνει προϊόντα με βάση τις προτιμήσεις τους.

20. Ποια μέθοδος συστάσεων βασίζεται στην **ομοιότητα μεταξύ προϊόντων** (δηλαδή, τι άλλο μοιάζει με αυτό που ήδη άρεσε στον χρήστη);

Content-based filtering. Collaborative filtering. Decision Trees. K-means.

Το content-based filtering αναλύει τα χαρακτηριστικά των προϊόντων που άρεσαν στον χρήστη και προτείνει παρόμοια.

21. Η λειτουργία των συστημάτων συστάσεων οδηγεί στην παραγωγή __________ προτάσεων.

Γενικών. Τυποποιημένων. Προσωποποιημένων. Χωρίς ανάλυση δεδομένων.

Ο κύριος στόχος είναι η παραγωγή προσωποποιημένων προτάσεων που καλύπτουν τις ανάγκες ή τα ενδιαφέροντα του συγκεκριμένου χρήστη.

22. Ποιος είναι ο τελικός στόχος της χρήσης recommendation systems στο HR (ανθρώπινο δυναμικό);

Μείωση του εργασιακού φόρτου. Ανάπτυξη ταλέντων και αύξηση της ικανοποίησης των εργαζομένων. Αυστηρός έλεγχος του ωραρίου. Πρόβλεψη των εξωτερικών πωλήσεων.

Η χρήση αυτή συνδέεται άμεσα με την ανάπτυξη ταλέντων και την αύξηση της ικανοποίησης των εργαζομένων, προτείνοντας ευκαιρίες με βάση τα προσόντα τους.

23. Σε σχέση με τις πληροφορίες προϊόντων, το collaborative filtering:

Απαιτεί λεπτομερή περιγραφή κάθε προϊόντος. Δεν απαιτεί πληροφορίες για τα προϊόντα, μόνο για τις αλληλεπιδράσεις των χρηστών. Απαιτεί μόνο την τιμή του προϊόντος. Βασίζεται μόνο στην κατηγορία του προϊόντος.

Το collaborative filtering λειτουργεί με βάση τις αλληλεπιδράσεις και τις προτιμήσεις των χρηστών, χωρίς να απαιτεί πληροφορίες για τα ίδια τα προϊόντα.

24. Ποια μέθοδος εστιάζει στην εξατομίκευση με βάση την ατομική προτίμηση, χωρίς να χρειάζεται δεδομένα για άλλους χρήστες;

Collaborative filtering. Content-based filtering. DBSCAN. K-means.

Το content-based filtering λειτουργεί βασιζόμενο αποκλειστικά στο προφίλ του χρήστη-στόχου και στα χαρακτηριστικά των προϊόντων που έχει προτιμήσει.

25. Ποια μέθοδος μπορεί να προτείνει άμεσα ένα **νέο προϊόν** (χωρίς αξιολογήσεις), εφόσον ταιριάζει με τα χαρακτηριστικά που προτιμά ο χρήστης;

Collaborative filtering (λόγω "Cold start" προβλήματος). Content-based filtering. Κανένα από τα δύο. Και τα δύο.

Το content-based filtering μπορεί να προτείνει νέα προϊόντα (χωρίς ιστορικό αλληλεπιδράσεων) αρκεί να ταιριάζουν με το προφίλ περιεχομένου του χρήστη, ξεπερνώντας το "Cold start" του collaborative filtering σε αυτή την περίπτωση.