最大周辺関連性クイズ

クイズに答えると、答えと解説が表示されます。

1. MMR が解決するために設計された主な問題は何ですか?
   • 大規模なデータベースではクエリの遅延が遅い
   • ユーザークエリのスペルが間違っている
   • 純粋な関連性ランキングによる冗長で重複に近い結果
   • 埋め込み用のトレーニング データの欠如
2. MMR 式において、1 に近いラムダ値は何を強調しますか?
   • クエリとの純粋な関連性
   • 結果間の多様性を最大限に高める
   • すべての候補者を均等に加重する
   • ランダムな選択
3. MMR はどのように結果を選択しますか?
   • 1 つのスコアを並べ替えて一度に
   • 固定シードでランダム
   • 書類のアルファベット順
   • 一つずつ貪欲に、すでに選ばれているアイテムと比較しながら
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. MMR が検索拡張生成 (RAG) で特に役立つのはなぜですか?
   • 補完的で重複のない証拠チャンクを提供します
   • モデルの重みを圧縮します
   • 言語モデルを自動的に微調整します
   • 取得した文書を暗号化します
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