Mit dem Guide verknüpftes Quiz · Mittel Ebene

Quiz zum Abrufen dichter Passagen

Testen Sie DPR-Abfrage- und Passage-Encoder, Punktproduktbewertung, In-Batch- und BM25-Negative sowie die Notwendigkeit, einen Index zu aktualisieren, wenn sich Einbettungen ändern.

Verwandte FührungspfadeSuche nach dichten Passagen
Frage 1 von 8

Wie entscheidet Dense Passage Retrieval, welche Passagen einer Suchanfrage entsprechen?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Wie entscheidet Dense Passage Retrieval, welche Passagen einer Suchanfrage entsprechen?
    • Vergleich dichter Vektordarstellungen von Abfragen und Passagen nach Ähnlichkeit
    • Zählen, wie viele Suchbegriffe in jedem Dokument vorkommen
    • Übersetzen der Abfrage in SQL vor der Suche
    • Ordnen Sie Dokumente ausschließlich danach, wie aktuell sie veröffentlicht wurden
  2. DPR verwendet eine „Bi-Encoder“-Architektur. Was bedeutet das?
    • Der Text wird zweimal codiert und die Ergebnisse gemittelt
    • Es funktioniert nur bei zweisprachigen Dokumenten
    • Es kodiert sowohl Zeichen als auch Wörter gleichzeitig
    • Es verwendet zwei separate Encoder, einen für Abfragen und einen für Passagen
  3. Warum können Durchgangsvektoren in DPR im Voraus berechnet werden?
    • Denn die Passagen ändern sich nie, wenn sie einmal geschrieben sind
    • Weil der Abfrage-Encoder zur Suchzeit deaktiviert ist
    • Weil jede Passage unabhängig von einer Abfrage codiert wird
    • Denn Passagen werden nur als Rohtext gespeichert
  4. Mit welchem Trainingstrick kann DPR kostengünstig viele Negativbeispiele generieren?
    • Zufälliges Umdrehen der Beschriftung
    • In-Batch-Negative unter Verwendung anderer Passagen im selben Batch
    • Die Hälfte der Neuronen fällt aus
    • Jede falsche Passage manuell kennzeichnen
  5. For what vocabulary mismatch can learned DPR representations be useful compared with lexical matching alone?
    • The passage is unrelated but repeats the query's terms
    • Every query contains only an exact serial number
    • The encoder is guaranteed to retrieve the right answer for all inputs
    • A relevant passage expresses a query's idea using different words
  6. Welches Tool wird üblicherweise verwendet, um die Suche nach dem nächsten Nachbarn von DPR in großem Maßstab schnell durchzuführen?
    • Ein ungefährer Nächste-Nachbarn-Index wie FAISS
    • Eine Art Tabellenkalkulation
    • Eine Engine für reguläre Ausdrücke
    • Ein relationaler Datenbank-Join
  7. Why can BM25-retrieved nonanswer passages be useful hard negatives when training DPR?
    • They guarantee that every retrieved passage is irrelevant
    • Their lexical overlap can make them challenging distractors that the retriever must distinguish from the answer passage
    • They remove the need for a positive answer passage
    • They force the passage encoder to count words without learning
  8. After changing DPR's passage encoder, what should happen to a stored passage-vector index?
    • Keep the old embeddings because encoder weights cannot affect vectors
    • Rename the index without recalculating any representation
    • Recompute the passage embeddings with the intended compatible encoder and update the index
    • Disable the query encoder and search raw filenames instead