Mit dem Guide verknüpftes Quiz · Mittel Ebene

FastText Subword Embeddings Quiz

Entdecken Sie die Zeichen-N-Gramme, Hash-Feature-Buckets, die Unterstützung außerhalb des Wortschatzes, die Morphologie und die schnelle überwachte Textklassifizierung von FastText.

Verwandte FührungspfadeFasttext-Subword-Einbettungen
Frage 1 von 8

Wie stellt FastText ein einzelnes Wort dar?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Wie stellt FastText ein einzelnes Wort dar?
    • Als eine Tüte mit zusammengefassten Zeichen-N-Gramm
    • Nur als ein unteilbares Zeichen
    • Als Definition aus einem Wörterbuch
    • Als Zufallsvektor
  2. Welche wesentliche Einschränkung von Word2Vec und GloVe überwindet FastText?
    • Sie laufen zu schnell
    • Sie können keine Vektoren für Wörter erstellen, die nicht im Wortschatz vorkommen
    • Sie ignorieren Satzzeichen
    • Sie arbeiten nur auf Englisch
  3. Welches ist für das Wort „wo“ mit dreistelligen N-Grammen ein gültiges N-Gramm (mit Grenzmarkierungen)?
    • Nur <wo>
    • xyz
    • Whe
    • die
  4. Auf welchem ​​zugrunde liegenden Trainingsziel baut das Einbettungsmodell von FastText auf?
    • GloVe-Matrixfaktorisierung
    • Übersetzung auf Satzebene
    • Verlust der Bildklassifizierung
    • Skip-Gram mit negativer Stichprobe
  5. Warum ist FastText besonders nützlich für Sprachen wie Finnisch oder Türkisch?
    • Sie sind morphologisch reichhaltig und weisen viele flektierte Wortformen auf, die Unterwörter gemeinsam haben
    • Sie haben nur sehr wenige Worte
    • Sie verwenden keine Leerzeichen
    • Sie haben keine seltenen Wörter
  6. Which separate method did Sennrich and colleagues describe for representing rare words in neural machine translation?
    • Byte-pair encoding as subword units
    • FastText’s hashed character n-gram bucket table
    • A full-word-only vocabulary that discards rare tokens
    • GloVe’s global co-occurrence matrix
  7. How does FastText store learnable features for its character n-grams?
    • It stores every complete sentence as a separate vector
    • It assigns each n-gram a pixel grid in a convolutional decoder
    • It hashes n-grams into a fixed-size bucket table with learned vectors
    • It replaces all subword features with a hand-written dictionary
  8. What can fastText's supervised mode do efficiently with its bag-of-features model?
    • Estimate the 3D shape of an object from a single image
    • Generate new audio waveforms from a spectrogram
    • Compute a global word-word co-occurrence matrix only
    • Classify text for tasks such as language identification or tagging