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.
kérdés 1 -ból 8
Mit jósol a Skip-Gram architektúra?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- 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
- 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
- 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
- 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
- A Word2Vec vektorok melyik híres tulajdonságát illusztrálja a "király - férfi + nő ≈ királynő"?
- Vektoranalógiák lineáris aritmetikán keresztül
- Pontos keresés a szótárban
- Nyelvtani hibajavítás
- Mondathossz normalizálás
- 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
- 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
- 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