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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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