Kvíz spojený s průvodcem · Střední úroveň
Word2Vec Skip-Gram a CBOW kvíz
Porovnejte cíle CBOW a Skip-Gram Word2Vec, negativní vzorkování, naučené vektory a volby, které ovlivňují trénování vzácných slov.
Otázka 1 z 8
Co předpovídá architektura Skip-Gram?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co předpovídá architektura Skip-Gram?
- Okolní kontextová slova ze středního slova
- Středové slovo z okolních kontextových slov
- Další věta v dokumentu
- Značka slovních druhů každého slova
- Jaký je skutečný užitečný výstup tréninku modelu Word2Vec?
- Přesnost předpovědi na kontextová slova
- Naučená matice vah, jejíž řádky jsou vektory slov
- Analyzační strom věty
- Pravděpodobnost pro každou třídu dokumentů
- Proč Word2Vec používá negativní vzorkování?
- Pro zvětšení slovní zásoby
- K překladu mezi jazyky
- Abyste se vyhnuli drahému plnému softmaxu přes celou slovní zásobu
- Chcete-li automaticky odstranit zastavovací slova
- 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
- Jakou slavnou vlastnost vektorů Word2Vec ilustruje „král – muž + žena ≈ královna“?
- Vektorové analogie pomocí lineární aritmetiky
- Přesné vyhledávání ve slovníku
- Oprava gramatických chyb
- Normalizace délky vět
- Kdo představil Word2Vec a ve kterém roce?
- Geoffrey Hinton v Torontu, 2006
- Tomáš Mikolov a kolegové na Google, 2013
- Yann LeCun v Bell Labs, 1998
- OpenAI, 2018
- 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
- 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