Dmr 2 Kolokvijum Nova Pitanja

44 Questions

Settings
Please wait...
Dmr 2 Kolokvijum Nova Pitanja

.


Questions and Answers
  • 1. 
    Kolaborativno filtriranje koristi 
    • A. 

      Podatke sa profila korisnika, parametre konteksta i podatke o ostalim korisnicima

    • B. 

      Podatke sa profila korisnika, parametre koteksta i podatke o proizvodima

    • C. 

      Samo podatke sa profila korisnika i parametre korisnika

    • D. 

      Koristi sve raspolozive podatke na interentu o korisniku artiklima i drugim korisnicima

  • 2. 
    Ako se ukloni cvor iz grafa mreze poverenja, a grane se preusmere na njegove poverljive cvorove i ako se spojeno poverenje ne promeni onda je u pitanju  
    • A. 

      Uverenje

    • B. 

      Preporuceni nivo poverenja

    • C. 

      Poverenje koje ima slabu opstu invarijantnost

    • D. 

      Poverenje koje ima jaku opstu invarijantnost

  • 3. 
    Enterprise mashup 
    • A. 

      Je aplikacija koja kombinujue podatke iz vise izvora (feed) RSS-a i jedan izvor, koji poseduje graficki prikaz

    • B. 

      Podrazumeva kratkotrajnu integraciju koja obezbedjuje neki novi sadrzaj ili bolje razumevanje medju korisnicima

    • C. 

      Obicno integrise podatke iz internih i eksternih izvora preduzeca

    • D. 

      Je aplikacija koja kombinuje podatke iz vise javnih izvora i organizuje ih u jednostavan interfejs koji je prikazan u okviru pretrazivaca

  • 4. 
    Identifikacija kljucnih tema/koncepata i semanticko ideksiranje su  
    • A. 

      Potpuno razliciti termini koji se cesto menjaju

    • B. 

      Slicni termini s tim sto se kod semantickog indeksiranja teme/koncepti ne vezuju za pojedinacne reci

    • C. 

      Slicni termini s tim sto se kod identifikacije kljucnih tema/koncepata teme/koncepti ne vezuju za ceo tekst

    • D. 

      Slicni termini s tim sto se kod identifikacije kljucnih tema/koncepata teme/koncepti ne vezuju za pojedinacne reci

  • 5. 
    Najcesce koriscene mere za procenu performansi sistema za ekstrakciju su 
  • 6. 
    Koja tvrdnja je tacna  
    • A. 

      Ivice drustvenog grafa su cvorovi koji su slabo povezani

    • B. 

      Cvorovi grafa predstavljaju entitete izmedju kojih posmatramo veze

    • C. 

      Ne moze svakom grafu da se pridruzi matrica susedstva

    • D. 

      Cvorovi grafa predstavljaju relacije koje vaze u drustvenoj mrezi

  • 7. 
    Most je (u analizi drustvenih mreza -grafovima)Ne znam odgovor
    • A. 

      Cvor koji povezuje dva klastera

    • B. 

      Veza koja povezuje dva klastera

    • C. 

      Cvor koji ima najvecu sopstvenu centralnost

    • D. 

      Cvor koji ima najvecu betweenness centrality

  • 8. 
    Jedan od prvih primera mashup-a je  
    • A. 

      Craigslist

    • B. 

      Ibm mashup centar

    • C. 

      Yahoo pipes

    • D. 

      Housing maps

  • 9. 
    Kvalitet sistema preporuke se meri kroznjenu sposobnost 
    • A. 

      Da preporuci sto vise sadrzaja

    • B. 

      Da bude user frendly

    • C. 

      Da vrsi brzu selekciju

    • D. 

      Da preporuci sadrzaj iz long tail-a

  • 10. 
    Poverenje se razlicito ocenjuje od strane razlicitih ljudi sto znaci da je poverenje kao pojava 
    • A. 

      Merljivo

    • B. 

      Kompozitno

    • C. 

      Relevantno

    • D. 

      Subjektivno

  • 11. 
    Roy Thomas Fielding americki naucnik i IT strucnjak prvi opisuje 
    • A. 

      HTTP

    • B. 

      API

    • C. 

      REST

    • D. 

      SaaS

  • 12. 
    Kada se dobija veci broj preporuka o poverenju u drugu stranu na osnovu njih se sastavlja jedno poverenje, sto znaci da je poverenje kao pojava : 
    • A. 

      Relevantno

    • B. 

      Kompozitno

    • C. 

      Subjektivno

    • D. 

      Merljivo

  • 13. 
    Sistem za ekstrakciju 
    • A. 

      Odredjuje na sta se odnosi entitet

    • B. 

      Pronalazi (potencijalno)relevantne tekstove i prezentuje ih korisniku

    • C. 

      Prepoznaje entitet u tekstu i jednostavno ih identifikuje

    • D. 

      Analizira tekstove i prezentuje samo segmente informacija (izvucene iz teksta)za koje korisnik moze biti zainteresovan

  • 14. 
    Ekstrakcija i informacija i pretrazivanje informacija su 
    • A. 

      Slicni procesi, gde ekstrakcija informacija analizira tekstove i predstavlja samo segmente teskta , a sistem za pretrazivanje pronalazi relevantne tekstove

    • B. 

      Su slicni procesi, gde ekstrakcija informacija pronalazi relevantne tekstove , a sistem za pretrazivanje analizira tekstovei predstavlja samo segmente teksta

    • C. 

      Identicni procesi i predstavljaju sinoonime za isti postupak

    • D. 

      Potpuno razliciti procesi

  • 15. 
    Velicina mreze se odnosi na  
    • A. 

      Broj cvorova u mrezi

    • B. 

      Dijametar mreze

    • C. 

      Broj veza u mrezi

    • D. 

      Odnos broja cvora i broja veza

  • 16. 
    KOd pirsonovog koeficijenta , sto je vrednost bliza 1 to znaci da  
    • A. 

      Da artikal/korisnika ne treba preporuciti

    • B. 

      Da artikal/korisnika treba preporuciti

    • C. 

      Se korisnici/artikli visee razlikuju

    • D. 

      Su korisnici/artikli slicniji

  • 17. 
    Problem hladnog starta (Cold start problem )je problem koji se javlja kada 
    • A. 

      Nemoze da se utvdri slicnost izmedju korisnika/artikla

    • B. 

      Za neki proizvod/sadrzaj ne postoji nijedna direktna cena

    • C. 

      Postoji nedostatak parova (korisni. ocena)

    • D. 

      Nedostaju informacija o novim korisnicima /artiklima

  • 18. 
    Sta je tacno 
    • A. 

      Poverenje u osobu povlaci poverenje u temu

    • B. 

      Poverenje u temu povlaci poverenje u osobu

    • C. 

      Poverenje u celini znaci poverenje u osobu ali ne i obavezno poverenje u temu

    • D. 

      Poverenje u celini povlaci poverenjei u temu i u osobu

  • 19. 
    Korisnici koji su kupili proizvod X takodje su kupili proizvod Y je objasnjeje koje se dobija kada sisetm primanjeuje metodu 
    • A. 

      Koja se bazira na sadrzaju

    • B. 

      Koja se bazira na drustvenim konekcijama

    • C. 

      Koja koristi bazu znanja najblizih suseda

    • D. 

      Najblizih suseda

  • 20. 
    Metrika mreze links per node se definise kao kolicnik  
    • A. 

      Broj stvarnih veza u mrezi/ukupan broj cvorova u mrezi

    • B. 

      Broj cvorova u mrezi /ukupan broj stvarnih veza u mrezi

    • C. 

      Broj stvarnih veza u mrezi/ukupan broj mogucih veza u mrezi

    • D. 

      Broj cvorova u mrezi/ukupan broj mogucih veza u mrezi

  • 21. 
    Blizina cvorova (closeness centrality)oznacava 
    • A. 

      Koliko cvorova je direktno povezano sa posmatranim cvorom

    • B. 

      Broj cvorova izmedju kojih se posmatrani cvor nalazi

    • C. 

      Koliko je posmatrani cvor povezan sa opstalim cvorovima koji su uticajni

    • D. 

      Blizinu posmatranog cvora centralnoj poziciji

  • 22. 
    Velika kolicina vesti , blogova, foruma, wiki podataka...kojima su ljudi svakodnevno okruzeni dovodi do  
    • A. 

      Filter bubble oproblema

    • B. 

      Fenomena nazvanoh long tail

    • C. 

      Zasicenja informacijama

    • D. 

      Zasicenja interakcijama

  • 23. 
    Proces rasta mreze u kome velika vecina novih cvorova pristupa mrezi kroz uspostavljene konkcije sa cvorovima koji vec imaju visok stepen opisuje: 
    • A. 

      Betweens centrality

    • B. 

      Sopstvena centralnost

    • C. 

      Fenomen malog sveta

    • D. 

      Preferential attachment

  • 24. 
    Grafove realnih (online) drustvenih mreza karakterise 
    • A. 

      Postojanje malog broja velikih jako povezanih grupa

    • B. 

      Postojanje malog broja velikih slabo povezanih grupa

    • C. 

      Postojanje velikog broja malih dobro povezanih grupa

    • D. 

      Postojanje velikog broja malih slabo povezanih grupa

  • 25. 
    Tranzitivnost zajedno sa homofilijom dovodi do 
    • A. 

      Stvaranje strukturnih rupa

    • B. 

      Pucanje kljucnih veza u mrezi

    • C. 

      Stvaranje gustih mreza

    • D. 

      Stvaranje klikova

  • 26. 
    Sta vazi za scren scraping 
    • A. 

      Staromodni pristup dobijanja podataka sa web sajtova

    • B. 

      Mogucnost iznajmljivanja aplikacija od eksternog dobavljaca

    • C. 

      Sindikacija sadrzaja zasnovana na XML

    • D. 

      Otkriva funkcionalnost sistema ostalim sistemima ili korisnicima

  • 27. 
    Prepoznavanje imenovanih entiteta kod ekstrakcije informacija obuhvata 
    • A. 

      Odredjivanje vrste entiteta

    • B. 

      Odredjivanje relacije izmedju entiteta

    • C. 

      Odredjivanje na sta se odnosi entitet

    • D. 

      Odredjivanje tipicnog opisa entiteta

  • 28. 
    Razresavanje koreferenci kod ekstrakcije informacija obuhvata Ne znam odgovor
    • A. 

      Odredjivanje relacija izmedju entiteta

    • B. 

      Odredjivanje na sta se odnosi entitet

    • C. 

      Odredjivanje opisa entitete

    • D. 

      Odredjivane vrste entitete

  • 29. 
    Preporuke zanovane na znanju 
    • A. 

      Preporuciti korisniku ono sto je medju njegovim/njenim prijateljima

    • B. 

      Preporuciti korisniku ono sto je malo njegovih"prijatelja" culo/kupilo

    • C. 

      Preporuciti korisniku ono sto odgovara njegovim potrebama

    • D. 

      Preporuciti korisniku sadrzaje slicne onima kojji su mu se i ranije svidjali

  • 30. 
    Ako se doda deo putanje poverenja u grafa mreze poverenja usmereno od jednog do drugog cvora, a poverenje izmedju ta dva cvora se ne promeni onda je u pitanju 
    • A. 

      Poverenje koje ima slabu opstu invarijantnost

    • B. 

      Preporuceni nivo poverenja

    • C. 

      Poverenje koje ima jaku opstu invarijantnost

    • D. 

      Uverenje

  • 31. 
    Kod proces akomunikacije prikazanog na slici buka(sum )se odnosi NE znam odgovor
    • A. 

      Samo na perceptivne prepreke koje mogu da se jave kod prijema poruke

    • B. 

      Samo na ono sto fizicki moze da omete prenosenje poruke

    • C. 

      Na sve ono sto meze da omete prenosenje i razumevanje (prijem)poruke

    • D. 

      Na dodatne uticaje iz okoline koje ometaju slanje poruke

  • 32. 
    Kod semantickog indeksiranja, za jedinstveno imenovanje entite koristi se 
    • A. 

      Analiza sentimenta

    • B. 

      Kolektivna inteligencija

    • C. 

      Baza indeksa web stranica

    • D. 

      Baze znanja

  • 33. 
    Sparsity problem je problem koji se javlja NE znam odgovor
    • A. 

      Za neki proizvod/sadrzaj ne postoji nijedna direktna ocena

    • B. 

      Nedostaju informacije o novim korisnicima/artiklima

    • C. 

      Ne moze da se utvrdi slicnost izmedju korisnika/artikla

    • D. 

      Postoji nedostatak parova (korisnik ocena)

  • 34. 
    Long tail predstavlja NEznam odgovor
    • A. 

      Mali deo informacija na internetu za koji velik broj korisnika pokaze interesovanje

    • B. 

      Veliki deo informacija na internetu za koji velik broj korisnika pokaze interesovanje

    • C. 

      Mali deo informacija na internetu za koji mali broj korisnika pokaze interesovanje

    • D. 

      Veliki deo korisnika na interenetu za koji mali deo korisnika pokaze interesovanje na internetu

  • 35. 
    Sta od navedenog prednosteksplicitnog ocenjiva 
    • A. 

      Korisnici rado ocenjuju artikle/sadrzaje

    • B. 

      Jednoznaco ukazuju na ukus/misljenje/stav korisnika

    • C. 

      Podstice poverenje korisnika u sistem

    • D. 

      Jednostavno i kontinuirano prikupljanje podataka bez opterecivanje korisnika

  • 36. 
    REST 
    • A. 

      Koristi web kao aplikacionu infrastrukturu izmedju pruzaoca usluga i korisnika usluga, ova arhitektura je okrenuta korsisnicima

    • B. 

      Je sidikacija sadrzaja zasnovana na XML-u

    • C. 

      Se primenjuje kod sistema koji poseduju paradigmu okrenutu resursima

    • D. 

      Koristi niz stabdardnih web feed formata za objavu informacija koja se relativno cesto menjaju

  • 37. 
    Kako bi glasila interprentacija stepena cvora (degree centrality) u kontekstu drustvenih mreza NE znam odgovor
    • A. 

      Koliko drugih ljudi moze datu osobu direktno da kontaktira

    • B. 

      U kojoj meriu je data osoba povezana sa uticajnim, odnosno fdobro ppovazana sa clanovima grupe

    • C. 

      Koliko je vereovatno da je data osoba posrednik izmedju neke druge dve osobe iz date mreze

    • D. 

      Kolik brzo data osoba moze da dopre di bilo koje druge osobe u mrezi

  • 38. 
    Na slici je prikazano NE znam odgovor
    • A. 

      Definisani tipovi povrenja

    • B. 

      Skala poverenja sa 6 nivoa

    • C. 

      Algoritam za proucavanje poverenja

    • D. 

      Standard za poverenje

  • 39. 
    Sta je primer baze znanja koja se koristi za semanticko ideksiranje 
    • A. 

      IMB Watson

    • B. 

      Google

    • C. 

      Bing

    • D. 

      Freebase

  • 40. 
    AJAX 
    • A. 

      Jedna od najpopularnijih metoda za otkrivanje SOAP servisa

    • B. 

      Obuhvata vise tehnologija kako bi obezbedio asihrono ucitavanje i prikaz podataka

    • C. 

      Je staromodni pristup dobijanja podataka sa web sajtova

    • D. 

      Je vrsta mashup arhitekture

  • 41. 
    Prepoznavanje opisa entiteta NE znam odgovor
    • A. 

      Oderdjivanje tipicnog prideva entiteta

    • B. 

      Odredjivanje relacije izmedju entiteta

    • C. 

      Odredjivanje vrste entitteta

    • D. 

      Odredjivanje na sta se odnosi entitet

  • 42. 
    Personalizovana preporuka se dobija na osnovu
    • A. 

      Profilakorisnika i parametra konteksta

    • B. 

      Preporuciti korisniku slicne onima koji su mu se ranije svidjali

    • C. 

      Na osnovu onog sto je "popularno" medju njegovim prijateljima

    • D. 

      Ne znam

  • 43. 
    U realnim mrezama povezanost svakog clana mreze sa ostalim clanovima-degree- sledi
    • A. 

      Power Law distribuciju

    • B. 

      Gausovu distribuciju

    • C. 

      Normalnu distribuciju

    • D. 

      Degre distribuciju