Тест, свързан с ръководство · Среден Ниво

Тест за свързване на обекти и отстраняване на недвусмисленост

Откриване на споменаване на тестове, контекст, генериране на кандидати, извличане на двоен кодер, прекласиране на кръстосано кодиране, NIL изходи и кохерентност на ниво документ.

Свързани ръководни пътекиСвързване на обекти и разграничаване
Въпрос 1 на 8

С какво свързването на обект свързва споменаване на текст?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. С какво свързването на обект свързва споменаване на текст?
    • Случайна уеб страница
    • Нова тренировка
    • Корекция на правописа
    • Уникален запис в база от знания
  2. Във фразата „компанията Apple пусна телефон“ каква е задачата за разграничаване?
    • Да решиш Apple означава плода, а не компанията
    • Да решиш Apple означава технологичната компания, а не плода
    • Превод на Apple на друг език
    • Броене на буквите в Apple
  3. Каква е целта на етапа на генериране на кандидати?
    • Да напиша нова статия
    • За изтриване на двусмислени думи
    • За извличане на списък с възможни съвпадащи обекти
    • Да преведа текста
  4. Каква роля играе би-енкодерът в модерното свързване на обекти?
    • Бързо извличане чрез отделни вграждания за споменаване и обекти
    • Бавно ръчно етикетиране на всяко споменаване
    • Генериране на изображения на обекти
    • Шифроване на базата знания
  5. Какво представлява NIL клас в свързването на обекти?
    • Най-популярното образувание
    • Споменаване без съответстващ запис в базата знания
    • Дублиращ се обект
    • Грешка в обучението
  6. How can document-level coherence help an entity-linking system?
    • By guaranteeing that every mention has the same entity identifier
    • By proving every document discusses only one topic
    • By removing the need to evaluate individual mention contexts
    • By considering whether candidate assignments fit the document context and one another
  7. After fast candidate retrieval, what information does a cross-encoder jointly read for entity-linking reranking?
    • The mention's context and a candidate entity's description
    • Only the entity's numeric identifier with no text
    • Only the two input filenames
    • Only the number of images in the knowledge base
  8. If an entity-linking pipeline never proposes the span 'Apple' for analysis, which initial stage has missed that mention?
    • The final candidate reranker only
    • The image-compression stage
    • Mention detection
    • The knowledge base's output filename formatter