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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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