TF-IDF- und Bag-of-Words-Modellquiz

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

1. Welche Schlüsselinformationen verwirft ein Bag-of-Words-Modell?
   • Die Reihenfolge und Grammatik von Wörtern
   • Das Wort zählt
   • Der Wortschatz
   • Die Dokumentlänge
2. Was macht der IDF-Teil von TF-IDF?
   • Verstärkt Wörter, die allen Dokumenten gemeinsam sind
   • Reduziert die Gewichtung von Wörtern, die in vielen Dokumenten vorkommen
   • Zählt Zeichen
   • Übersetzt seltene Wörter
3. Ein Wort, das in jedem Dokument in der Sammlung vorkommt, erhält einen IDF-Wert in der Nähe von was?
   • Eintausend
   • Negative Unendlichkeit
   • Null
   • Die Anzahl der Dokumente
4. Wie wird ein TF-IDF-Score für einen Begriff berechnet?
   • TF minus IDF
   • TF dividiert durch IDF
   • TF plus die Dokumentlänge
   • TF multipliziert mit IDF
5. Welches Ähnlichkeitsmaß wird üblicherweise zum Vergleich von TF-IDF-Dokumentvektoren verwendet?
   • Kosinusähnlichkeit
   • Distanz bearbeiten
   • Mittlerer quadratischer Fehler
   • Bitanzahl
6. Warum gibt TF-IDF bestimmten Wörtern hohe Punktzahlen?
   • Es sind lange Worte
   • Sie sind in einem Dokument häufig, in der gesamten Sammlung jedoch selten
   • Sie erscheinen in jedem Dokument
   • Sie werden großgeschrieben
7. In a bag-of-words representation, what does a vector position usually correspond to?
   • A sentence’s original word position
   • A document’s publication date
   • A term in the vocabulary
   • A grammatical parse-tree branch
8. In the common IDF formula log(N/df), what does df represent?
   • The number of times a word appears in one document
   • The total number of words in the vocabulary
   • The number of labels assigned to a document
   • The number of documents containing the term