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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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