FastText Subword Embeddings مسابقة

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. كيف يمثل FastText كلمة واحدة؟
   • كحقيبة من الأحرف n-grams مجمعة معًا
   • كرمز واحد غير قابل للتجزئة فقط
   • كما تعريفه من القاموس
   • كمتجه عشوائي
2. ما هي القيود الرئيسية على Word2Vec وGloVe التي يتغلب عليها FastText؟
   • إنهم يركضون بسرعة كبيرة
   • لا يمكنهم إنشاء نواقل للكلمات خارج المفردات
   • يتجاهلون علامات الترقيم
   • إنهم يعملون باللغة الإنجليزية فقط
3. بالنسبة للكلمة "أين" المكونة من 3 أحرف n-gram، ما هو n-gram صالح (مع علامات حدودية)؟
   • <أين> فقط
   • xyz
   • عندما
   • ال
4. ما هو الهدف التدريبي الأساسي الذي يعتمد عليه نموذج التضمين الخاص بـ FastText؟
   • عامل مصفوفة GloVe
   • الترجمة على مستوى الجملة
   • فقدان تصنيف الصور
   • تخطي جرام مع أخذ العينات السلبية
5. لماذا يعتبر FastText مفيدًا بشكل خاص للغات مثل الفنلندية أو التركية؟
   • فهي غنية شكليا بالعديد من أشكال الكلمات المصروفة التي تشترك في الكلمات الفرعية
   • لديهم كلمات قليلة جدا
   • لا يستخدمون أي مسافات
   • ليس لديهم كلمات نادرة
6. Which separate method did Sennrich and colleagues describe for representing rare words in neural machine translation?
   • Byte-pair encoding as subword units
   • FastText’s hashed character n-gram bucket table
   • A full-word-only vocabulary that discards rare tokens
   • GloVe’s global co-occurrence matrix
7. How does FastText store learnable features for its character n-grams?
   • It stores every complete sentence as a separate vector
   • It assigns each n-gram a pixel grid in a convolutional decoder
   • It hashes n-grams into a fixed-size bucket table with learned vectors
   • It replaces all subword features with a hand-written dictionary
8. What can fastText's supervised mode do efficiently with its bag-of-features model?
   • Estimate the 3D shape of an object from a single image
   • Generate new audio waveforms from a spectrogram
   • Compute a global word-word co-occurrence matrix only
   • Classify text for tasks such as language identification or tagging