Тест за извличане на плътен проход

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. How does Dense Passage Retrieval decide which passages match a query?
   • Сравняване на плътни векторни представяния на заявки и пасажи по сходство
   • Преброяване на колко думи за заявка се появяват във всеки документ
   • Превеждане на заявката в SQL преди търсене
   • Класиране на документите само по това колко наскоро са били публикувани
2. DPR използва архитектура на „би-енкодер“. какво значи това
   • Той кодира текст два пъти и осреднява резултатите
   • Работи само с двуезични документи
   • Той кодира както символи, така и думи едновременно
   • Той използва два отделни енкодера, един за заявки и един за пасажи
3. Защо векторите за преминаване могат да бъдат изчислени предварително в DPR?
   • Защото пасажите никога не се променят, веднъж написани
   • Тъй като енкодерът на заявката е деактивиран по време на търсене
   • Тъй като всеки пасаж е кодиран независимо от всяка заявка
   • Тъй като пасажите се съхраняват само като необработен текст
4. Какъв тренировъчен трик позволява на DPR да генерира много отрицателни примери евтино?
   • Произволно обръщане на етикета
   • Негативи в партида, като се използват други пасажи в същата партида
   • Отпадане на половината неврони
   • Ръчно етикетиране на всеки грешен пасаж
5. For what vocabulary mismatch can learned DPR representations be useful compared with lexical matching alone?
   • The passage is unrelated but repeats the query's terms
   • Every query contains only an exact serial number
   • The encoder is guaranteed to retrieve the right answer for all inputs
   • A relevant passage expresses a query's idea using different words
6. Какъв инструмент обикновено се използва, за да направи търсенето на най-близкия съсед на DPR бързо в мащаб?
   • Приблизителен индекс на най-близкия съсед като FAISS
   • Сортиране на електронни таблици
   • Механизъм за регулярен израз
   • Присъединяване към релационна база данни
7. Why can BM25-retrieved nonanswer passages be useful hard negatives when training DPR?
   • They guarantee that every retrieved passage is irrelevant
   • Their lexical overlap can make them challenging distractors that the retriever must distinguish from the answer passage
   • They remove the need for a positive answer passage
   • They force the passage encoder to count words without learning
8. After changing DPR's passage encoder, what should happen to a stored passage-vector index?
   • Keep the old embeddings because encoder weights cannot affect vectors
   • Rename the index without recalculating any representation
   • Recompute the passage embeddings with the intended compatible encoder and update the index
   • Disable the query encoder and search raw filenames instead