Kuis Relevansi Marginal Maksimum

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa masalah utama yang dirancang untuk dipecahkan oleh MMR?
   • Latensi kueri lambat dalam database besar
   • Ejaan salah dalam kueri pengguna
   • Hasil yang berlebihan dan hampir duplikat dari peringkat relevansi murni
   • Kurangnya data pelatihan untuk penyematan
2. Dalam rumus MMR, apa yang ditekankan oleh nilai lambda yang mendekati 1?
   • Relevansi murni dengan kueri
   • Keragaman maksimum di antara hasil
   • Bobot yang sama untuk semua kandidat
   • Pilihan acak
3. Bagaimana MMR memilih hasilnya?
   • Sekaligus dengan mengurutkan satu skor
   • Secara acak dengan benih tetap
   • Berdasarkan urutan abjad dokumen
   • Dengan rakus, satu per satu, bandingkan dengan item yang sudah dipilih
4. How can an embedding-based MMR implementation measure query relevance and document redundancy?
   • Using only a document's filename length
   • Using a similarity measure such as cosine, without MMR requiring that one measure universally
   • Using a mandatory audio-transcription score for all text
   • Using no relevance or inter-document comparison at all
5. Mengapa MMR sangat berguna dalam retrieval-augmented generation (RAG)?
   • Ini memberikan potongan bukti yang saling melengkapi dan tidak berlebihan
   • Ini memampatkan bobot model
   • Ini menyempurnakan model bahasa secara otomatis
   • Ini mengenkripsi dokumen yang diambil
6. If MMR caches each candidate's maximum redundancy and updates it against each new selection, roughly how many similarities are needed for k picks from n candidates?
   • Always constant time independent of k and n
   • Exactly n factorial for every implementation
   • About k times n, ignoring vector dimension and initial setup
   • No document comparisons after the first query score
7. With lambda equal to 0.5, relevance 0.8, and maximum selected-item similarity 0.9, what is a candidate's MMR scoring term?
   • 0.85, from averaging the two similarities
   • Minus 0.05, from 0.5 times 0.8 minus 0.5 times 0.9
   • 0.72, from multiplying relevance and redundancy
   • 1.7, from adding the two similarities
8. Can an MMR reranker select a relevant document that the upstream retrieval candidate pool omitted?
   • Yes; diversity scoring invents missing source documents
   • Yes; a lower lambda automatically searches the whole corpus
   • Yes; reranking changes the document's original publication date
   • No; it chooses among the supplied candidates unless the upstream pool is expanded