Kuis terkait panduan · Sedang Tingkat

Word2Vec Lewati Gram dan Kuis CBOW

Bandingkan tujuan CBOW dan Skip-Gram Word2Vec, pengambilan sampel negatif, vektor yang dipelajari, dan pilihan yang memengaruhi pelatihan kata langka.

Jalur panduan terkaitWord2vec Lewati Gram dan Cbow
Pertanyaan 1 dari 8

Apa yang diprediksi oleh arsitektur Skip-Gram?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa yang diprediksi oleh arsitektur Skip-Gram?
    • Mengelilingi kata konteks dari kata tengah
    • Kata tengah dari kata konteks sekitarnya
    • Kalimat berikutnya dalam sebuah dokumen
    • Tag part-of-speech dari setiap kata
  2. Apa manfaat sebenarnya dari pelatihan model Word2Vec?
    • Keakuratan prediksi pada kata konteks
    • Matriks bobot yang dipelajari, yang baris-barisnya merupakan vektor kata
    • Pohon penguraian kalimat
    • Probabilitas untuk setiap kelas dokumen
  3. Mengapa Word2Vec menggunakan pengambilan sampel negatif?
    • Untuk menambah ukuran kosakata
    • Untuk menerjemahkan antar bahasa
    • Untuk menghindari softmax penuh yang mahal atas seluruh kosakata
    • Untuk menghapus kata-kata berhenti secara otomatis
  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. Properti terkenal apa dari vektor Word2Vec yang diilustrasikan dengan "raja - pria + wanita ≈ ratu"?
    • Analogi vektor melalui aritmatika linier
    • Pencarian kamus yang tepat
    • Koreksi kesalahan tata bahasa
    • Normalisasi panjang kalimat
  6. Siapa yang memperkenalkan Word2Vec dan pada tahun berapa?
    • Geoffrey Hinton di Toronto, 2006
    • Tomas Mikolov dan rekannya di Google, 2013
    • Yann LeCun di Bell Labs, 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