गाइड से जुड़ी प्रश्नोत्तरी · मध्यम स्तर

Word2Vec स्किप-ग्राम और CBOW क्विज़

Word2Vec के CBOW और स्किप-ग्राम उद्देश्यों, नकारात्मक नमूने, सीखे गए वैक्टर और दुर्लभ-शब्द प्रशिक्षण को प्रभावित करने वाले विकल्पों की तुलना करें।

संबंधित मार्गदर्शक पथWord2vec ग्राम और Cbow छोड़ें
प्रश्न 1 का 8

स्किप-ग्राम आर्किटेक्चर क्या भविष्यवाणी करता है?

प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

  1. स्किप-ग्राम आर्किटेक्चर क्या भविष्यवाणी करता है?
    • केंद्रीय शब्द से आसपास के संदर्भ शब्द
    • आसपास के सन्दर्भ शब्दों से केन्द्रीय शब्द
    • दस्तावेज़ में अगला वाक्य
    • प्रत्येक शब्द का पार्ट-ऑफ़-स्पीच टैग
  2. Word2Vec मॉडल के प्रशिक्षण का वास्तविक उपयोगी आउटपुट क्या है?
    • संदर्भ शब्दों पर भविष्यवाणी सटीकता
    • सीखा हुआ भार मैट्रिक्स, जिसकी पंक्तियाँ शब्द वैक्टर हैं
    • वाक्य का एक पार्स वृक्ष
    • प्रत्येक दस्तावेज़ वर्ग के लिए एक संभावना
  3. Word2Vec नकारात्मक नमूनाकरण का उपयोग क्यों करता है?
    • शब्दावली का आकार बढ़ाने के लिए
    • भाषाओं के बीच अनुवाद करना
    • संपूर्ण शब्दावली पर महंगे पूर्ण सॉफ्टमैक्स से बचने के लिए
    • रुके हुए शब्दों को स्वचालित रूप से हटाने के लिए
  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. Word2Vec वैक्टर की कौन सी प्रसिद्ध संपत्ति "राजा - पुरुष + महिला ≈ रानी" द्वारा चित्रित है?
    • रैखिक अंकगणित के माध्यम से वेक्टर उपमाएँ
    • सटीक शब्दकोश खोज
    • व्याकरणिक त्रुटि सुधार
    • वाक्य-लंबाई सामान्यीकरण
  6. Word2Vec की शुरुआत किसने और किस वर्ष की?
    • टोरंटो, 2006 में जेफ्री हिंटन
    • Google, 2013 में टॉमस मिकोलोव और सहकर्मी
    • बेल लैब्स में यान लेकन, 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