গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
হাইব্রিড অনুসন্ধান কুইজ
আভিধানিক এবং ঘন পুনরুদ্ধার, র্যাঙ্ক ফিউশন, নিউরাল স্পারস পদ্ধতি এবং কেন পুনরুদ্ধারের গুণমান ডোমেন অনুসারে পরিবর্তিত হয় তা পর্যালোচনা করুন। লক্ষ্য প্রশ্নের প্রতিটি পরীক্ষা.
প্রশ্ন 1 এর 8
হাইব্রিড অনুসন্ধান সাধারণত কোন দুটি পুনরুদ্ধারের পদ্ধতিকে একত্রিত করে?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- হাইব্রিড অনুসন্ধান সাধারণত কোন দুটি পুনরুদ্ধারের পদ্ধতিকে একত্রিত করে?
- স্পার্স কীওয়ার্ড অনুসন্ধান (যেমন, BM25) এবং ঘন ভেক্টর অনুসন্ধান
- দুটি ভিন্ন বৃহৎ ভাষার মডেল উত্তরে ভোট দিচ্ছে
- এসকিউএল ক্যোয়ারী এবং শুধুমাত্র পূর্ণ-পাঠ্য সূচী
- ছবি অনুসন্ধান এবং অডিও অনুসন্ধান
- কেন রেসিপ্রোকাল র্যাঙ্ক ফিউশন (RRF) সাধারণত ফলাফল একত্রিত করতে ব্যবহৃত হয়?
- এটি প্রতিটি প্রশ্নের জন্য একটি নতুন নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দেয়
- এটি স্কেল অমিল এড়ানো, কাঁচা স্কোরের পরিবর্তে র্যাঙ্ক পজিশন অনুসারে নথিগুলিকে একত্রিত করে
- এটি উভয় তালিকায় প্রদর্শিত যেকোনো নথি মুছে দেয়
- এটি শুধুমাত্র প্রতিটি পুনরুদ্ধারকারী থেকে একক শীর্ষ ফলাফল রাখে
- কোন দৃশ্যকল্পটি হাইব্রিড অনুসন্ধানের স্পার্স (কীওয়ার্ড) উপাদানটিকে সবচেয়ে বেশি সমর্থন করে?
- ডকুমেন্ট খোঁজা যা বিভিন্ন শব্দের সাথে ক্যোয়ারী প্যারাফ্রেজ করে
- একটি বাক্যের আবেগপূর্ণ সুর বোঝা
- একটি সঠিক অংশ নম্বর বা ত্রুটি কোড মিলে যা অবশ্যই আক্ষরিকভাবে প্রদর্শিত হবে
- একটি প্রশ্ন অন্য ভাষায় অনুবাদ করা হচ্ছে
- একা ঘন ভেক্টর অনুসন্ধান ব্যবহার করার প্রধান দুর্বলতা কি?
- এটি সমার্থক শব্দ বা প্যারাফ্রেজ বুঝতে পারে না
- এটা শুধুমাত্র ইমেজ উপর কাজ করে
- এর জন্য কোনো এম্বেডিংয়ের প্রয়োজন নেই
- এটি নির্দিষ্ট কোড বা উপাধির মতো সঠিক বিরল টোকেন মিস করতে পারে
- SPLADE এর মত একটি শেখা স্পার্স মডেল কি করে?
- এটি একটি নিউরাল নেটওয়ার্ক ব্যবহার করে ব্যাখ্যাযোগ্য শব্দ ওজন তৈরি করে, বিক্ষিপ্ত এবং ঘন ধারণাগুলিকে মিশ্রিত করে
- এটি অনুসন্ধান থেকে সমস্ত কীওয়ার্ড মিলকে সরিয়ে দেয়
- এটি শুধুমাত্র ভেক্টর হিসেবে ছবি সংরক্ষণ করে
- এটা কোনো পুনরুদ্ধারের প্রয়োজন প্রতিস্থাপন
- What can combining lexical and dense retrieval provide to a RAG system?
- A guarantee that every generated statement is true
- Potentially more varied candidate evidence, subject to evaluation of retrieval and answer quality
- A replacement for grounding sources
- An automatic legal review of generated answers
- What tradeoff did BEIR report for reranking and late-interaction methods on average?
- They always ran faster and used less compute than BM25
- They made retrieval independent of the corpus
- They often achieved stronger zero-shot performance but at higher computational cost
- They guaranteed a correct generated answer
- What did the BEIR benchmark conclude about BM25 in zero-shot retrieval?
- It always beats every neural retriever
- It cannot retrieve exact terms
- It is a dense-vector model
- It remains a robust baseline across diverse datasets