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.

Související vodicí cestyWord2vec Přeskočit Gram And Cbow
Otázka 1 z 8

Co předpovídá architektura Skip-Gram?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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