Quiz zum Einbetten von Wörtern

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

1. How does a learned word embedding represent a word for numerical comparison?
   • As a plain-text dictionary entry only
   • As a vector of learned numerical features
   • As a complete recorded pronunciation only
   • As a manually assigned grammar rule
2. Wie lernen Modelle wie word2vec, was ein Wort bedeutet?
   • Durch das Lesen handgeschriebener Definitionen aus einem Wörterbuch
   • Durch das Zählen der Buchstaben in jedem Wort
   • Indem Sie beobachten, welche anderen Wörter in großen Textmengen in der Nähe des Worts auftauchen
   • Indem wir menschliche Bewerter bitten, jedes Wort zu bewerten
3. What does the classic king-minus-man-plus-woman vector example illustrate?
   • Some learned representations capture relationships through vector offsets
   • Every word relation obeys an exact arithmetic law
   • Vector arithmetic verifies every factual statement
   • The vector stores a word's exact spelling only
4. Was ist der Hauptunterschied zwischen word2vec/GloVe-Einbettungen und den Einbettungen in modernen Transformer-Modellen?
   • Transformatoren verwenden überhaupt keine Zahlen
   • GloVe funktioniert nur mit Bildern
   • Moderne Modelle können keinen Sinn darstellen
   • Word2vec liefert einen festen Vektor pro Wort, während Transformatoren kontextabhängige Vektoren erzeugen
5. Welche Aufgabe beruht am direktesten auf dem Vergleich von Einbettungsvektoren?
   • Zählen der Gesamtzahl der Wörter in einem Dokument
   • Text in Großbuchstaben umwandeln
   • Semantische Suche, die Dokumente mit ähnlicher Bedeutung wie eine Suchanfrage findet
   • Überprüfen der Größe einer Datei auf der Festplatte
6. Which scale of dimensionality is found in common released classic word-vector configurations?
   • Exactly one coordinate for every model
   • Tens or hundreds of learned coordinates per word
   • Exactly two coordinates in all word2vec models
   • At least ten million coordinates per word by definition
7. In a toy word-vector comparison, what is the cosine similarity of the nonzero vectors one-zero and zero-one?
   • Eins
   • Minus one
   • Zwei
   • Null
8. What should the first coordinate of an arbitrary learned word embedding be assumed to mean?
   • A learned feature without a universal predetermined linguistic label
   • The word's character count in every model
   • A fixed sentiment score in every dataset
   • The document's factual reliability by definition