Kuis Parsing Ketergantungan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Dalam penguraian ketergantungan, bagaimana struktur kalimat direpresentasikan?
   • Bagaikan pohon tautan yang terarah dan berlabel dari setiap kata ke kepalanya
   • Sebagai kurung frase bersarang saja
   • Sebagai daftar datar frekuensi kata
   • Sebagai spektogram audio
2. Dalam 'Anjing mengejar kucing', apa yang biasanya menjadi akar pohon ketergantungan?
   • anjing
   • dikejar
   • itu
   • kucing
3. Apa perbedaan penguraian ketergantungan dengan penguraian konstituensi?
   • Ini mengelompokkan kata-kata ke dalam frasa bersarang daripada menghubungkan kata-kata individual
   • Ini hanya berfungsi pada angka
   • Ini menghubungkan kata-kata individual dengan hubungan langsung daripada mengelompokkannya ke dalam frasa yang dirangkai
   • Itu mengabaikan kata kerja sepenuhnya
4. Apa keuntungan dari parser berbasis transisi?
   • Mereka tidak memerlukan data pelatihan
   • Mereka hanya bekerja untuk bahasa Inggris
   • Mereka mengeluarkan audio
   • Mereka biasanya cepat, berjalan dalam waktu linier
5. What does Universal Dependencies offer researchers and parser developers?
   • Shared annotation guidelines and dependency relations used across many language treebanks
   • A dataset containing only English audio
   • A fixed list of named entities for every document
   • A guarantee that every parser reaches the same accuracy
6. What does a biaffine scorer do in a neural dependency parser?
   • It converts sentences directly into audio
   • It scores candidate head-dependent arcs and their dependency labels
   • It assigns image masks to pixels
   • It guarantees a fixed accuracy on every benchmark
7. In a basic dependency tree, what is true of a non-root word?
   • It must be the sentence’s main verb
   • It has no relation label
   • It has one syntactic head
   • It belongs to exactly one nested phrase only
8. How does a graph-based parser commonly form a dependency tree?
   • By translating each token independently
   • By grouping words only into phrase brackets
   • By removing all function words before parsing
   • By scoring candidate arcs and selecting a well-formed tree