BM25 y cuestionario de recuperación léxica

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Qué utiliza principalmente BM25 para clasificar documentos?
   • Incrustaciones semánticas densas
   • Frecuencia de plazos, frecuencia inversa de documentos y longitud del documento
   • La fecha de publicación de cada documento.
   • Solo historial de clics del usuario
2. ¿Qué papel juega la frecuencia inversa de documentos (IDF) en BM25?
   • Potencia palabras muy comunes como 'el'
   • Mide la longitud de cada documento.
   • Da mayor peso a los términos más raros y distintivos.
   • Cuenta solo el número total de documentos.
3. ¿Por qué BM25 aplica la normalización de la longitud del documento (el parámetro b)?
   • Para que los documentos largos no se vean injustamente favorecidos sólo por contener más palabras
   • Para que todos los documentos tengan la misma longitud
   • Para eliminar documentos cortos
   • Para traducir documentos a un idioma estándar
4. Una característica clave del manejo de frecuencia de términos de BM25 es que:
   • Aumenta linealmente para siempre con cada repetición.
   • Ignora por completo la frecuencia de los términos
   • Duplica la puntuación por cada palabra repetida
   • Satura, por lo que las repeticiones adicionales añaden relevancia cada vez menor.
5. ¿Qué estructura de datos hace que BM25 sea rápido a escala?
   • Un índice invertido que asigna términos a los documentos que los contienen.
   • Una red neuronal
   • Una única matriz ordenada de todo el texto.
   • Una base de datos gráfica de citas.
6. En los sistemas de búsqueda modernos, BM25 se utiliza a menudo para:
   • Reemplazar todos los modelos neuronales por completo
   • Servir como un recuperador rápido de primera etapa antes de un reordenador neuronal, o fusionarse con puntuaciones densas.
   • Generar documentos nuevos
   • Cifrar el índice de búsqueda
7. In the standard BM25 formula, what effect does setting b to zero have?
   • It removes all inverse-document-frequency weights
   • It makes every matching term contribute zero
   • It changes the index from lexical terms to dense vectors
   • It disables document-length normalization in the term-frequency denominator
8. When BM25 is used to mine DPR training negatives, what makes a retrieved nonanswer passage a hard negative?
   • It has no words in common with any document
   • It is automatically the positive passage because its lexical score is high
   • It looks relevant through term overlap but does not support the question's answer
   • It contains no readable text and is never retrieved