Kvíz spojený s průvodcem · Střední úroveň

Kvíz o vkládání slov

Zopakujte si naučené slovní vektory, statické a kontextové reprezentace, vektorové vztahy, kosinusová srovnání a limity sémantické podobnosti.

Související vodicí cestyVložení slov
Otázka 1 z 8

How does a learned word embedding represent a word for numerical comparison?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  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. Jak se modely jako word2vec naučí, co které slovo znamená?
    • Čtením ručně psaných definic ze slovníku
    • Počítáním písmen v každém slově
    • Pozorováním, která další slova se v jeho blízkosti objevují ve velkém množství textu
    • Požádáním lidských hodnotitelů, aby ohodnotili každé slovo
  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. Jaký je hlavní rozdíl mezi vložkami word2vec/GloVe a vložkami v moderních modelech transformátorů?
    • Transformátory nepoužívají vůbec žádná čísla
    • GloVe funguje pouze na obrázky
    • Moderní modely nemohou představovat význam
    • Word2vec poskytuje jeden pevný vektor na slovo, zatímco transformátory vytvářejí kontextově závislé vektory
  5. Která úloha nejvíce přímo závisí na porovnávání vektorů vkládání?
    • Počítání celkového počtu slov v dokumentu
    • Převod textu na velká písmena
    • Sémantické vyhledávání, které najde dokumenty s podobným významem jako dotaz
    • Kontrola velikosti souboru na disku
  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?
    • Jeden
    • Minus one
    • Dvě
    • nula
  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