FastText 하위 단어 임베딩 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. FastText는 단일 단어를 어떻게 표현합니까?
   • 캐릭터 n-그램을 한데 모아 놓은 가방으로
   • 하나의 분할 불가능한 토큰으로만 사용 가능
   • 사전의 정의에 따르면
   • 랜덤 벡터로
2. FastText는 Word2Vec과 GloVe의 어떤 주요 한계를 극복합니까?
   • 그들은 너무 빨리 달린다
   • 어휘에 포함되지 않은 단어에 대한 벡터를 만들 수 없습니다.
   • 그들은 구두점을 무시합니다
   • 그들은 영어로만 일해요
3. 3자로 된 n-gram이 포함된 "where"라는 단어의 경우 유효한 n-gram(경계 표시 포함)은 무엇입니까?
   • <어디서>만
   • xyz
   • 뭐
   • 는
4. FastText의 임베딩 모델은 어떤 기본 교육 목표를 기반으로 합니까?
   • GloVe 행렬 분해
   • 문장 수준 번역
   • 이미지 분류 손실
   • 네거티브 샘플링을 사용한 Skip-Gram
5. FastText가 핀란드어나 터키어와 같은 언어에 특히 유용한 이유는 무엇입니까?
   • 하위 단어를 공유하는 많은 굴절형 단어 형태로 형태학적으로 풍부합니다.
   • 그들은 말이 거의 없습니다
   • 공백을 사용하지 않습니다.
   • 그 사람들에겐 희귀한 말이 없어
6. Which separate method did Sennrich and colleagues describe for representing rare words in neural machine translation?
   • Byte-pair encoding as subword units
   • FastText’s hashed character n-gram bucket table
   • A full-word-only vocabulary that discards rare tokens
   • GloVe’s global co-occurrence matrix
7. How does FastText store learnable features for its character n-grams?
   • It stores every complete sentence as a separate vector
   • It assigns each n-gram a pixel grid in a convolutional decoder
   • It hashes n-grams into a fixed-size bucket table with learned vectors
   • It replaces all subword features with a hand-written dictionary
8. What can fastText's supervised mode do efficiently with its bag-of-features model?
   • Estimate the 3D shape of an object from a single image
   • Generate new audio waveforms from a spectrogram
   • Compute a global word-word co-occurrence matrix only
   • Classify text for tasks such as language identification or tagging