Themenmodellierungsquiz

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

1. In the LDA formulation, how is a modeled topic represented over the vocabulary?
   • As one mandatory human-written keyword only
   • As a probability distribution over words
   • As a grammatical parse of every sentence
   • As a sentiment value with no vocabulary representation
2. Why can an unsupervised LDA topic model be fit to documents without topic labels?
   • It requires a verified category for every document first
   • It reads only documents with identical titles
   • It necessarily uses a classifier trained on the same task labels
   • It infers unobserved topic structure from the observed words
3. Wie behandelt LDA ein einzelnes Dokument?
   • Als zu genau einem Thema gehörend
   • Als Sequenz, bei der die Reihenfolge der Wörter von entscheidender Bedeutung ist
   • Als Mischung mehrerer Themen in unterschiedlichen Anteilen
   • Als Bild eines zu scannenden Textes
4. Was ist die „Bag-of-Words“-Annahme, die von der klassischen LDA verwendet wird?
   • Es ignoriert die Wortreihenfolge und verwendet nur die Wortanzahl
   • Es behält nur den ersten Satz jedes Dokuments
   • Es übersetzt jedes Dokument zunächst ins Englische
   • Es erfordert, dass die Wörter in alphabetischer Reihenfolge vorliegen
5. Welche Entscheidung müssen Sie normalerweise treffen, bevor Sie LDA ausführen?
   • Der genaue Titel jedes Themas
   • Der Autor jedes Dokuments
   • Die Schriftart, in der die Dokumente geschrieben wurden
   • Die Anzahl der zu findenden Themen K
6. Which stage commonly starts BERTopic's grouping of documents rather than relying only on raw word counts?
   • Assigning every document a manually required topic label
   • Clustering representations derived from document embeddings
   • Removing all text before computing any representation
   • Treating every document as an identical image file
7. When inspecting LDA's high-probability words, who can supply a descriptive topic name such as election coverage?
   • An analyst interpreting the weighted words and documents
   • A probability value that necessarily proves one official name
   • A required government approver for every model run
   • A document filename that always determines the meaning
8. After BERTopic groups documents, what does c-TF-IDF help produce for each cluster?
   • The original input image pixels
   • A required dependency parse for every token
   • Characteristic weighted words representing the group
   • Proof that every cluster has exactly one true theme