Cuestionario vinculado a una guía · Medio Nivel

Prueba de incrustaciones de subpalabras de FastText

Explore los ngramas de caracteres de FastText, los grupos de funciones hash, la compatibilidad con vocabulario fuera del vocabulario, la morfología y la clasificación rápida de texto supervisado.

Rutas de guía relacionadasIncrustaciones de subpalabras de texto rápido
Pregunta 1 de 8

¿Cómo representa FastText una sola palabra?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Cómo representa FastText una sola palabra?
    • Como una bolsa de n-gramas de personajes resumidos
    • Como una sola muestra indivisible
    • Como su definición de un diccionario.
    • Como un vector aleatorio
  2. ¿Qué limitación importante de Word2Vec y GloVe supera FastText?
    • Corren demasiado rápido
    • No pueden crear vectores para palabras fuera de vocabulario.
    • Ignoran la puntuación
    • Solo trabajan en ingles.
  3. Para la palabra "dónde" con n-gramas de 3 caracteres, ¿cuál es un n-grama válido (con marcadores de límites)?
    • <dónde>solo
    • xyz
    • cuando
    • el
  4. ¿Sobre qué objetivo de formación subyacente se basa el modelo de integración de FastText?
    • Factorización de la matriz GloVe
    • Traducción a nivel de oración
    • Pérdida de clasificación de imágenes.
    • Skip-Gram con muestreo negativo
  5. ¿Por qué FastText es especialmente útil para idiomas como el finlandés o el turco?
    • Son morfológicamente ricos con muchas formas de palabras flexionadas que comparten subpalabras.
    • Tienen muy pocas palabras.
    • No usan espacios
    • No tienen palabras raras.
  6. Which separate method did Sennrich and colleagues describe for representing rare words in neural machine translation?
    • Byte-pair encoding as subword units
    • FastText’s hashed character n-gram bucket table
    • A full-word-only vocabulary that discards rare tokens
    • GloVe’s global co-occurrence matrix
  7. How does FastText store learnable features for its character n-grams?
    • It stores every complete sentence as a separate vector
    • It assigns each n-gram a pixel grid in a convolutional decoder
    • It hashes n-grams into a fixed-size bucket table with learned vectors
    • It replaces all subword features with a hand-written dictionary
  8. What can fastText's supervised mode do efficiently with its bag-of-features model?
    • Estimate the 3D shape of an object from a single image
    • Generate new audio waveforms from a spectrogram
    • Compute a global word-word co-occurrence matrix only
    • Classify text for tasks such as language identification or tagging