Kvíz spojený s průvodcem · Střední úroveň
Kvíz o načítání hustého průchodu
Testujte kodéry dotazů a pasáží DPR, bodové hodnocení produktu, negativy v dávce a BM25 a potřebu aktualizovat index při změně vložení.
Otázka 1 z 8
Jak se načítání husté pasáže rozhoduje, které pasáže odpovídají dotazu?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jak se načítání husté pasáže rozhoduje, které pasáže odpovídají dotazu?
- Porovnání hustých vektorových reprezentací dotazů a pasáží podle podobnosti
- Počítání, kolik slov dotazu se vyskytuje v každém dokumentu
- Překlad dotazu do SQL před hledáním
- Hodnocení dokumentů čistě podle toho, jak nedávno byly zveřejněny
- DPR používá architekturu „bi-kodéru“. co to znamená?
- Text dvakrát zakóduje a výsledky zprůměruje
- Funguje pouze na dvojjazyčných dokumentech
- Kóduje současně znaky i slova
- Používá dva samostatné kodéry, jeden pro dotazy a jeden pro pasáže
- Proč lze v DPR vypočítat vektory průchodu předem?
- Protože pasáže se po napsání nikdy nezmění
- Protože kodér dotazu je v době vyhledávání deaktivován
- Protože každá pasáž je zakódována nezávisle na jakémkoli dotazu
- Protože pasáže jsou uloženy pouze jako nezpracovaný text
- Jaký tréninkový trik umožňuje DPR generovat mnoho negativních příkladů levně?
- Náhodné převrácení štítku
- Negativy v dávce s použitím jiných pasáží ve stejné dávce
- Vypadne polovina neuronů
- Ruční označení každé špatné pasáže
- 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
- Jaký nástroj se běžně používá k rychlému vyhledávání nejbližších sousedů DPR ve velkém měřítku?
- Přibližný index nejbližšího souseda, jako je FAISS
- Řazení tabulky
- Modul regulárních výrazů
- Spojení relační databáze
- 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
- 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