Тест за вграждане на думи

Отговорите и обясненията се появяват, докато отговаряте на теста.

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. Как модели като word2vec научават какво означава дадена дума?
   • Чрез четене на ръкописни определения от речник
   • Чрез броене на букви във всяка дума
   • Като наблюдавате кои други думи са склонни да се появяват близо до него в големи количества текст
   • Като помолите човешките оценители да оценяват всяка дума
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. Каква е основната разлика между вгражданията на word2vec/GloVe и вгражданията в модерни модели трансформатори?
   • Трансформаторите изобщо не използват числа
   • GloVe работи само върху изображения
   • Съвременните модели не могат да представят смисъл
   • Word2vec дава един фиксиран вектор на дума, докато трансформаторите произвеждат зависими от контекста вектори
5. Коя задача най-пряко разчита на сравняване на вградени вектори?
   • Преброяване на общия брой думи в документ
   • Преобразуване на текст в главни букви
   • Семантично търсене, което намира документи със значение, подобно на заявка
   • Проверка на размера на файла на диска
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?
   • един
   • Minus one
   • две
   • Нула
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