単語埋め込みクイズ

クイズに答えると、答えと解説が表示されます。

1. How does a learned word embedding represent a word for numerical comparison?
   • As a plain-text dictionary entry only
   • As a vector of learned numerical features
   • As a complete recorded pronunciation only
   • As a manually assigned grammar rule
2. word2vec のようなモデルは単語の意味をどのように学習するのでしょうか?
   • 辞書から手書きの定義を読み取ることによって
   • 各単語の文字数を数えると
   • 大量のテキスト内で他のどの単語がその近くに出現する傾向があるかを観察することによって
   • 人間の評価者にすべての単語を採点してもらうことによって
3. What does the classic king-minus-man-plus-woman vector example illustrate?
   • Some learned representations capture relationships through vector offsets
   • Every word relation obeys an exact arithmetic law
   • Vector arithmetic verifies every factual statement
   • The vector stores a word's exact spelling only
4. word2vec/GloVe 埋め込みと最新のトランスフォーマー モデル内の埋め込みの主な違いは何ですか?
   • 変圧器は数字を一切使用しません
   • GloVe は画像に対してのみ機能します
   • 現代のモデルは意味を表現できない
   • Word2vec は単語ごとに 1 つの固定ベクトルを提供しますが、トランスフォーマーはコンテキスト依存のベクトルを生成します。
5. 埋め込みベクトルの比較に最も直接依存するタスクはどれですか?
   • 文書内の総単語数を数える
   • テキストを大文字に変換する
   • クエリと同様の意味を持つドキュメントを検索するセマンティック検索
   • ディスク上のファイルのサイズを確認する
6. Which scale of dimensionality is found in common released classic word-vector configurations?
   • Exactly one coordinate for every model
   • Tens or hundreds of learned coordinates per word
   • Exactly two coordinates in all word2vec models
   • At least ten million coordinates per word by definition
7. In a toy word-vector comparison, what is the cosine similarity of the nonzero vectors one-zero and zero-one?
   • 1 つ
   • Minus one
   • 2
   • ゼロ
8. What should the first coordinate of an arbitrary learned word embedding be assumed to mean?
   • A learned feature without a universal predetermined linguistic label
   • The word's character count in every model
   • A fixed sentiment score in every dataset
   • The document's factual reliability by definition