Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Szóbeágyazási kvíz

Review learned word vectors, static and contextual representations, vector relationships, cosine comparisons, and the limits of semantic similarity.

Kapcsolódó útmutató utakSzóbeágyazások
kérdés 1 -ból 8

How does a learned word embedding represent a word for numerical comparison?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. How does a learned word embedding represent a word for numerical comparison?
    • As a plain-text dictionary entry only
    • As a vector of learned numerical features
    • As a complete recorded pronunciation only
    • As a manually assigned grammar rule
  2. Hogyan tanulják meg az olyan modellek, mint a word2vec, mit jelent egy szó?
    • Kézzel írt definíciók szótárból való olvasásával
    • A betűk megszámlálásával minden szóban
    • Megfigyelve, hogy a nagy mennyiségű szövegben mely szavak jelennek meg a közelében
    • Azáltal, hogy megkérjük az értékelőket, hogy minden szót pontozzanak
  3. What does the classic king-minus-man-plus-woman vector example illustrate?
    • Some learned representations capture relationships through vector offsets
    • Every word relation obeys an exact arithmetic law
    • Vector arithmetic verifies every factual statement
    • The vector stores a word's exact spelling only
  4. Mi a fő különbség a word2vec/GloVe beágyazások és a modern transzformátormodelleken belüli beágyazások között?
    • A transzformátorok egyáltalán nem használnak számokat
    • A GloV csak képeken működik
    • A modern modellek nem képviselhetik a jelentést
    • A Word2vec szónként egy rögzített vektort ad, míg a transzformátorok környezetfüggő vektorokat állítanak elő
  5. Melyik feladat támaszkodik a legközvetlenebbül a beágyazási vektorok összehasonlítására?
    • Egy dokumentumban lévő szavak teljes számának számolása
    • Szöveg átalakítása nagybetűssé
    • Szemantikus keresés, amely a lekérdezéshez hasonló jelentésű dokumentumokat talál
    • A lemezen lévő fájl méretének ellenőrzése
  6. Which scale of dimensionality is found in common released classic word-vector configurations?
    • Exactly one coordinate for every model
    • Tens or hundreds of learned coordinates per word
    • Exactly two coordinates in all word2vec models
    • At least ten million coordinates per word by definition
  7. In a toy word-vector comparison, what is the cosine similarity of the nonzero vectors one-zero and zero-one?
    • Egy
    • Minus one
    • Kettő
    • Nulla
  8. What should the first coordinate of an arbitrary learned word embedding be assumed to mean?
    • A learned feature without a universal predetermined linguistic label
    • The word's character count in every model
    • A fixed sentiment score in every dataset
    • The document's factual reliability by definition