Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Word2Vec Skip-Gram és CBOW kvíz

Compare Word2Vec's CBOW and Skip-Gram objectives, negative sampling, learned vectors, and the choices that affect rare-word training.

Kapcsolódó útmutató utakWord2vec Skip Gram és Cbow
kérdés 1 -ból 8

Mit jósol a Skip-Gram architektúra?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit jósol a Skip-Gram architektúra?
    • Környező szövegkörnyezeti szavak a középszóból
    • A középső szó a környező kontextusszavakból
    • A következő mondat egy dokumentumban
    • Az egyes szavak beszédrész-címkéje
  2. Mi a Word2Vec modell betanításának tényleges eredménye?
    • A kontextusszavak előrejelzési pontossága
    • A tanult súlymátrix, melynek sorai a szóvektorok
    • A mondat elemző fája
    • Valószínűség minden dokumentumosztályhoz
  3. Miért használ a Word2Vec negatív mintavételezést?
    • A szókincs bővítésére
    • Nyelvek közötti fordításhoz
    • Hogy elkerüljük a drága full softmaxot az egész szókincsben
    • A stop szavak automatikus eltávolítása
  4. What does subsampling frequent words do in the later Word2Vec training method?
    • It reduces the influence of very frequent words and can speed training
    • It turns every word into a character n-gram
    • It changes CBOW into a sentence classifier
    • It guarantees better vectors for every rare word
  5. A Word2Vec vektorok melyik híres tulajdonságát illusztrálja a "király - férfi + nő ≈ királynő"?
    • Vektoranalógiák lineáris aritmetikán keresztül
    • Pontos keresés a szótárban
    • Nyelvtani hibajavítás
    • Mondathossz normalizálás
  6. Ki vezette be a Word2Vec-et és melyik évben?
    • Geoffrey Hinton Torontóban, 2006
    • Tomas Mikolov és munkatársai itt: Google, 2013
    • Yann LeCun a Bell Labs-nál, 1998
    • OpenAI, 2018
  7. What does the CBOW architecture predict from its input context?
    • Each future paragraph in the document
    • The sentiment label of the full corpus
    • The center word surrounded by the context window
    • The spelling of a character n-gram
  8. What distribution does the original Word2Vec paper use to draw negative samples?
    • A uniform distribution over all character n-grams
    • A distribution based only on word length
    • A distribution proportional to squared inverse frequency
    • A unigram word-frequency distribution raised to the 0.75 power