Útmutatóhoz kapcsolódó kvíz · Közepes Szint

FastText Subword Beágyazás kvíz

Explore FastText's character n-grams, hashed feature buckets, out-of-vocabulary support, morphology, and fast supervised text classification.

Kapcsolódó útmutató utakGyorsszöveg alszavak beágyazása
kérdés 1 -ból 8

Hogyan ábrázol a FastText egyetlen szót?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Hogyan ábrázol a FastText egyetlen szót?
    • Mint egy zacskó karakter n-grammokat összeadva
    • Csak egy oszthatatlan jelzőként
    • Ahogy a definíciója egy szótárból
    • Véletlenszerű vektorként
  2. A Word2Vec és a GloVe milyen fő korlátait küszöböli ki a FastText?
    • Túl gyorsan futnak
    • Nem tudnak vektorokat létrehozni a szókincsen kívüli szavakhoz
    • Figyelmen kívül hagyják az írásjeleket
    • Csak angolul dolgoznak
  3. A 3 karakteres n-grammokkal rendelkező "hol" szónál melyik érvényes n-gramm (határjelekkel)?
    • <hol>csak
    • xyz
    • ki
    • a
  4. Melyik képzési célkitűzésre épül a FastText beágyazási modellje?
    • GloVe mátrixfaktorizálás
    • Mondatszintű fordítás
    • Képosztályozási veszteség
    • Skip-Gram negatív mintavétellel
  5. Miért különösen hasznos a FastText olyan nyelveknél, mint a finn vagy a török?
    • Morfológiailag gazdagok sok olyan ragozott szóalakkal, amelyek közös részszavakat tartalmaznak
    • Nagyon kevés szavuk van
    • Nem használnak szóközt
    • Nincsenek ritka szavuk
  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