Mit dem Guide verknüpftes Quiz · Mittel Ebene

Word2Vec Skip-Gram und CBOW-Quiz

Vergleichen Sie die CBOW- und Skip-Gram-Ziele von Word2Vec, die negative Stichprobe, die erlernten Vektoren und die Auswahlmöglichkeiten, die sich auf das Training seltener Wörter auswirken.

Verwandte FührungspfadeWord2vec überspringt Gram und Cbow
Frage 1 von 8

Was sagt die Skip-Gram-Architektur voraus?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Was sagt die Skip-Gram-Architektur voraus?
    • Umgebende Kontextwörter vom zentralen Wort
    • Das zentrale Wort aus den umgebenden Kontextwörtern
    • Der nächste Satz in einem Dokument
    • Das Teil-of-Speech-Tag jedes Wortes
  2. Was ist die tatsächliche nützliche Ausgabe des Trainings eines Word2Vec-Modells?
    • Die Vorhersagegenauigkeit für Kontextwörter
    • Die gelernte Gewichtsmatrix, deren Zeilen die Wortvektoren sind
    • Ein Analysebaum des Satzes
    • Eine Wahrscheinlichkeit für jede Dokumentklasse
  3. Warum verwendet Word2Vec negative Stichproben?
    • Um den Wortschatz zu vergrößern
    • Zwischen Sprachen übersetzen
    • Um den teuren vollständigen Softmax im gesamten Wortschatz zu vermeiden
    • Stoppwörter automatisch entfernen
  4. What does subsampling frequent words do in the later Word2Vec training method?
    • It reduces the influence of very frequent words and can speed training
    • It turns every word into a character n-gram
    • It changes CBOW into a sentence classifier
    • It guarantees better vectors for every rare word
  5. Welche berühmte Eigenschaft von Word2Vec-Vektoren wird durch „König – Mann + Frau ≈ Königin“ veranschaulicht?
    • Vektoranalogien mittels linearer Arithmetik
    • Genaue Wörterbuchsuche
    • Korrektur grammatikalischer Fehler
    • Normalisierung der Satzlänge
  6. Wer hat Word2Vec eingeführt und in welchem Jahr?
    • Geoffrey Hinton in Toronto, 2006
    • Tomas Mikolov und Kollegen bei Google, 2013
    • Yann LeCun bei Bell Labs, 1998
    • OpenAI, 2018
  7. What does the CBOW architecture predict from its input context?
    • Each future paragraph in the document
    • The sentiment label of the full corpus
    • The center word surrounded by the context window
    • The spelling of a character n-gram
  8. What distribution does the original Word2Vec paper use to draw negative samples?
    • A uniform distribution over all character n-grams
    • A distribution based only on word length
    • A distribution proportional to squared inverse frequency
    • A unigram word-frequency distribution raised to the 0.75 power