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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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