Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Sűrű átjáró visszakereső kvíz

Test DPR query and passage encoders, dot-product scoring, in-batch and BM25 negatives, and the need to refresh an index when embeddings change.

Kapcsolódó útmutató utakSűrű átjáró visszakeresése
kérdés 1 -ból 8

Hogyan dönti el a sűrű szövegrészletek lekérdezése, hogy mely szövegrészek felelnek meg egy lekérdezésnek?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Hogyan dönti el a sűrű szövegrészletek lekérdezése, hogy mely szövegrészek felelnek meg egy lekérdezésnek?
    • Lekérdezések és szövegrészek sűrű vektoros reprezentációinak összehasonlítása hasonlóság alapján
    • Megszámolja, hány lekérdező szó jelenik meg az egyes dokumentumokban
    • A lekérdezés lefordítása SQL-be a keresés előtt
    • A dokumentumok rangsorolása pusztán aszerint, hogy milyen közelmúltban jelentek meg
  2. A DPR „bi-encoder” architektúrát használ. Ez mit jelent?
    • Kétszer kódolja a szöveget, és átlagolja az eredményeket
    • Csak kétnyelvű dokumentumokon működik
    • Egyszerre kódolja a karaktereket és a szavakat
    • Két külön kódolót használ, egyet a lekérdezésekhez, egyet pedig a szövegrészekhez
  3. Miért lehet az áthaladási vektorokat előre kiszámítani a DPR-ben?
    • Mert a szövegrészek soha nem változnak, ha egyszer megírják
    • Mivel a lekérdezéskódoló le van tiltva kereséskor
    • Mivel minden egyes szövegrész minden lekérdezéstől függetlenül kódolt
    • Mivel a szövegrészek csak nyers szövegként kerülnek tárolásra
  4. Milyen képzési trükk segítségével a DPR sok negatív példát generál olcsón?
    • Véletlenszerű címkelapozás
    • Kötegelt negatívok, ugyanabban a kötegben lévő más szakaszok felhasználásával
    • A neuronok felének kiesése
    • Minden rossz szakasz manuális címkézése
  5. For what vocabulary mismatch can learned DPR representations be useful compared with lexical matching alone?
    • The passage is unrelated but repeats the query's terms
    • Every query contains only an exact serial number
    • The encoder is guaranteed to retrieve the right answer for all inputs
    • A relevant passage expresses a query's idea using different words
  6. Milyen eszközt használnak általában a DPR legközelebbi szomszédok keresésének gyors és nagy léptékű gyorsítására?
    • Egy hozzávetőleges legközelebbi szomszéd index, mint például a FAISS
    • Egy táblázatos fajta
    • Egy reguláris kifejezés motor
    • Relációs adatbázis csatlakozás
  7. Why can BM25-retrieved nonanswer passages be useful hard negatives when training DPR?
    • They guarantee that every retrieved passage is irrelevant
    • Their lexical overlap can make them challenging distractors that the retriever must distinguish from the answer passage
    • They remove the need for a positive answer passage
    • They force the passage encoder to count words without learning
  8. After changing DPR's passage encoder, what should happen to a stored passage-vector index?
    • Keep the old embeddings because encoder weights cannot affect vectors
    • Rename the index without recalculating any representation
    • Recompute the passage embeddings with the intended compatible encoder and update the index
    • Disable the query encoder and search raw filenames instead