BM25 und Lexical Retrieval Quiz

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

1. Was verwendet BM25 hauptsächlich zur Einstufung von Dokumenten?
   • Dichte semantische Einbettungen
   • Begriffshäufigkeit, inverse Dokumenthäufigkeit und Dokumentlänge
   • Das Veröffentlichungsdatum jedes Dokuments
   • Nur Klickverlauf des Benutzers
2. Welche Rolle spielt die Inverse Document Frequency (IDF) in BM25?
   • Es verstärkt sehr gebräuchliche Wörter wie „das“
   • Es misst, wie lang jedes Dokument ist
   • Es gibt selteneren, markanteren Begriffen ein höheres Gewicht
   • Es wird nur die Gesamtzahl der Dokumente gezählt
3. Warum wendet BM25 die Normalisierung der Dokumentlänge (den b-Parameter) an?
   • Damit lange Dokumente nicht zu Unrecht bevorzugt werden, nur weil sie mehr Wörter enthalten
   • Damit jedes Dokument die gleiche Länge hat
   • Kurze Dokumente löschen
   • Dokumente in eine Standardsprache übersetzen
4. Ein wesentliches Merkmal der Term-Frequenz-Verarbeitung durch BM25 besteht darin, dass es:
   • Erhöht sich mit jeder Wiederholung kontinuierlich linear
   • Ignoriert die Begriffshäufigkeit vollständig
   • Verdoppelt die Punktzahl für jedes wiederholte Wort
   • Sättigt, sodass zusätzliche Wiederholungen die Relevanz verringern
5. Welche Datenstruktur macht BM25 skalierbar?
   • Ein invertierter Index, der Begriffe den Dokumenten zuordnet, die sie enthalten
   • Ein neuronales Netzwerk
   • Ein einzelnes sortiertes Array des gesamten Textes
   • Eine Diagrammdatenbank mit Zitaten
6. In modernen Suchsystemen wird BM25 häufig verwendet, um:
   • Ersetzen Sie alle neuronalen Modelle vollständig
   • Dienen Sie als schneller Retriever der ersten Stufe vor einem neuralen Reranker oder lassen Sie sich mit dichten Scores verbinden
   • Generieren Sie brandneue Dokumente
   • Verschlüsseln Sie den Suchindex
7. In the standard BM25 formula, what effect does setting b to zero have?
   • It removes all inverse-document-frequency weights
   • It makes every matching term contribute zero
   • It changes the index from lexical terms to dense vectors
   • It disables document-length normalization in the term-frequency denominator
8. When BM25 is used to mine DPR training negatives, what makes a retrieved nonanswer passage a hard negative?
   • It has no words in common with any document
   • It is automatically the positive passage because its lexical score is high
   • It looks relevant through term overlap but does not support the question's answer
   • It contains no readable text and is never retrieved