Quiz collegato alla guida · Medio Livello

Word2Vec Skip-Gram e CBOW Quiz

Confronta gli obiettivi CBOW e Skip-Gram di Word2Vec, il campionamento negativo, i vettori appresi e le scelte che influenzano l'apprendimento delle parole rare.

Percorsi guida correlatiWord2vec Salta Grammo e Cbow
Domanda 1 di 8

Cosa prevede l'architettura Skip-Gram?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Cosa prevede l'architettura Skip-Gram?
    • Parole di contesto circostanti dalla parola centrale
    • La parola centrale dalle parole del contesto circostante
    • La frase successiva in un documento
    • Il tag della parte del discorso di ogni parola
  2. Qual è l'effettivo risultato utile dell'addestramento di un modello Word2Vec?
    • L'accuratezza della previsione sulle parole di contesto
    • La matrice dei pesi appresi, le cui righe sono i vettori delle parole
    • Un albero di analisi della frase
    • Una probabilità per ciascuna classe di documenti
  3. Perché Word2Vec utilizza il campionamento negativo?
    • Per aumentare la dimensione del vocabolario
    • Tradurre tra le lingue
    • Per evitare il costoso softmax completo sull'intero vocabolario
    • Per rimuovere automaticamente le parole stop
  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. Quale famosa proprietà dei vettori Word2Vec è illustrata da "re - uomo + donna ≈ regina"?
    • Analogie vettoriali tramite aritmetica lineare
    • Ricerca esatta del dizionario
    • Correzione degli errori grammaticali
    • Normalizzazione della lunghezza della frase
  6. Chi ha introdotto Word2Vec e in che anno?
    • Geoffrey Hinton a Toronto, 2006
    • Tomas Mikolov e colleghi a Google, 2013
    • Yann LeCun ai 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