Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Reláció kinyerése szöveges kvízből

Test how relation extraction turns text into structured facts, and how its common pipelines and supervision methods can fail.

Kapcsolódó útmutató utakReláció kinyerése szövegből
kérdés 1 -ból 8

Mi a relációkivonó rendszer tipikus kimenete?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi a relációkivonó rendszer tipikus kimenete?
    • Strukturált hármas, amely két entitást relációval köt össze
    • A mondat nyelvtani elemző fája
    • Érzelmi pontszám negatívtól pozitívig
    • A mondat fordítása más nyelvre
  2. In a common pipeline for relation extraction, what may identify entity mentions before pair classification?
    • Szöveg-beszéd szintézis
    • Elnevezett entitás felismerés
    • Képszegmentálás
    • Audio source separation
  3. Why can distant supervision produce noisy relation-extraction labels?
    • Knowledge bases contain no structured facts
    • It requires every sentence to be hand-labeled
    • A sentence may mention two linked entities without stating their knowledge-base relation
    • It removes entity mentions before training
  4. Hogyan jelzi sok transzformátor alapú RE modell, hogy melyik entitáspárt kell besorolni?
    • Úgy, hogy először lefordítja a mondatot
    • Az egyik entitás törlésével
    • A szöveg hanggá konvertálásával
    • Speciális marker tokenek beszúrásával a két entitás köré
  5. Mi különbözteti meg a „nyílt” reláció kivonását a szabványos RE-től?
    • A relációs kifejezéseket közvetlenül a szövegből vonja ki, előre meghatározott relációtípus-készlet nélkül
    • Csak számokon működik
    • Több címkézett adatot igényel, mint bármely más módszer
    • Dokumentumonként csak egy relációt találhat
  6. Why include a no-relation label when classifying candidate entity pairs?
    • To translate the sentence into another language
    • To represent pairs for which the text does not assert a target relation
    • To replace named entity recognition
    • To guarantee that every pair has a relation
  7. What does document-level relation extraction allow a system to use?
    • Only the spelling of a single entity
    • Audio features from a spoken recording
    • Evidence that may be spread across multiple sentences
    • A fixed relation without reading text
  8. How does open relation extraction differ from a closed relation schema?
    • It cannot use text as input
    • It always requires a knowledge base to label every sentence
    • It only identifies entity boundaries
    • It can express relation phrases without choosing only from a predefined label inventory