مسابقة تضمين الكلمات

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. How does a learned word embedding represent a word for numerical comparison?
   • As a plain-text dictionary entry only
   • As a vector of learned numerical features
   • As a complete recorded pronunciation only
   • As a manually assigned grammar rule
2. كيف تتعلم نماذج مثل word2vec معنى الكلمة؟
   • من خلال قراءة التعريفات المكتوبة بخط اليد من القاموس
   • عن طريق عد الحروف في كل كلمة
   • من خلال ملاحظة الكلمات الأخرى التي تميل إلى الظهور بالقرب منها بكميات كبيرة من النص
   • من خلال مطالبة المُقيّمين البشريين بتسجيل كل كلمة
3. What does the classic king-minus-man-plus-woman vector example illustrate?
   • Some learned representations capture relationships through vector offsets
   • Every word relation obeys an exact arithmetic law
   • Vector arithmetic verifies every factual statement
   • The vector stores a word's exact spelling only
4. ما هو الفرق الرئيسي بين تضمينات word2vec/GloVe والتضمينات داخل نماذج المحولات الحديثة؟
   • لا تستخدم المحولات أي أرقام على الإطلاق
   • GloVe يعمل فقط على الصور
   • لا يمكن للنماذج الحديثة أن تمثل المعنى
   • يعطي Word2vec متجهًا ثابتًا واحدًا لكل كلمة، بينما تنتج المحولات متجهات تعتمد على السياق
5. ما هي المهمة التي تعتمد بشكل مباشر أكثر على مقارنة ناقلات التضمين؟
   • حساب إجمالي عدد الكلمات في المستند
   • تحويل النص إلى أحرف كبيرة
   • البحث الدلالي الذي يبحث عن المستندات ذات المعنى المماثل للاستعلام
   • التحقق من حجم الملف على القرص
6. Which scale of dimensionality is found in common released classic word-vector configurations?
   • Exactly one coordinate for every model
   • Tens or hundreds of learned coordinates per word
   • Exactly two coordinates in all word2vec models
   • At least ten million coordinates per word by definition
7. In a toy word-vector comparison, what is the cosine similarity of the nonzero vectors one-zero and zero-one?
   • واحد
   • Minus one
   • اثنان
   • صفر
8. What should the first coordinate of an arbitrary learned word embedding be assumed to mean?
   • A learned feature without a universal predetermined linguistic label
   • The word's character count in every model
   • A fixed sentiment score in every dataset
   • The document's factual reliability by definition