Cuestionario vinculado a una guía · Medio Nivel

Prueba Word2Vec Skip-Gram y CBOW

Compare los objetivos CBOW y Skip-Gram de Word2Vec, el muestreo negativo, los vectores aprendidos y las opciones que afectan el entrenamiento de palabras raras.

Rutas de guía relacionadasWord2vec Omitir Gram y Cbow
Pregunta 1 de 8

¿Qué predice la arquitectura Skip-Gram?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué predice la arquitectura Skip-Gram?
    • Palabras de contexto circundantes de la palabra central
    • La palabra central de las palabras de contexto circundantes.
    • La siguiente oración en un documento.
    • La etiqueta de parte del discurso de cada palabra.
  2. ¿Cuál es el resultado útil real de entrenar un modelo Word2Vec?
    • La precisión de la predicción de palabras de contexto.
    • La matriz de pesos aprendida, cuyas filas son los vectores de palabras.
    • Un árbol de análisis de la oración.
    • Una probabilidad para cada clase de documento.
  3. ¿Por qué Word2Vec utiliza muestreo negativo?
    • Para aumentar el tamaño del vocabulario
    • Para traducir entre idiomas
    • Para evitar el costoso softmax completo en todo el vocabulario
    • Para eliminar palabras vacías automáticamente
  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. ¿Qué famosa propiedad de los vectores de Word2Vec se ilustra con "rey - hombre + mujer ≈ reina"?
    • Analogías de vectores mediante aritmética lineal
    • Búsqueda exacta en el diccionario
    • Corrección de errores gramaticales
    • Normalización de la longitud de la oración
  6. ¿Quién introdujo Word2Vec y en qué año?
    • Geoffrey Hinton en Toronto, 2006
    • Tomas Mikolov y colegas en Google, 2013
    • Yann LeCun en los laboratorios Bell, 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