Тест, свързан с ръководство · Среден Ниво

Word2Vec Skip-Gram и CBOW тест

Сравнете целите CBOW и Skip-Gram на Word2Vec, отрицателно вземане на проби, научени вектори и изборите, които засягат обучението за редки думи.

Свързани ръководни пътекиWord2vec Пропускане на Gram и Cbow
Въпрос 1 на 8

Какво предвижда архитектурата на Skip-Gram?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво предвижда архитектурата на Skip-Gram?
    • Заобикалящи контекстни думи от централната дума
    • Централната дума от околните контекстни думи
    • Следващото изречение в документ
    • Тагът за част от речта на всяка дума
  2. Какъв е действителният полезен резултат от обучението на модел Word2Vec?
    • Точността на прогнозиране на контекстни думи
    • Научената матрица на теглото, чиито редове са векторите на думите
    • Дърво на разбор на изречението
    • Вероятност за всеки клас документи
  3. Защо Word2Vec използва отрицателна извадка?
    • За увеличаване на речниковия запас
    • За превод между езици
    • За да избегнете скъпия пълен софтмакс върху целия речник
    • За автоматично премахване на стоп думите
  4. What does subsampling frequent words do in the later Word2Vec training method?
    • It reduces the influence of very frequent words and can speed training
    • It turns every word into a character n-gram
    • It changes CBOW into a sentence classifier
    • It guarantees better vectors for every rare word
  5. Кое известно свойство на векторите на Word2Vec е илюстрирано с "крал - мъж + жена ≈ кралица"?
    • Векторни аналогии чрез линейна аритметика
    • Точно търсене в речника
    • Корекция на граматическа грешка
    • Нормализация на дължината на изречението
  6. Кой представи Word2Vec и през коя година?
    • Джефри Хинтън в Торонто, 2006 г
    • Томас Миколов и колеги в Google, 2013 г.
    • Ян Лекун в Bell Labs, 1998 г
    • OpenAI, 2018 г
  7. What does the CBOW architecture predict from its input context?
    • Each future paragraph in the document
    • The sentiment label of the full corpus
    • The center word surrounded by the context window
    • The spelling of a character n-gram
  8. What distribution does the original Word2Vec paper use to draw negative samples?
    • A uniform distribution over all character n-grams
    • A distribution based only on word length
    • A distribution proportional to squared inverse frequency
    • A unigram word-frequency distribution raised to the 0.75 power