단어 임베딩 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

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. word2vec과 같은 모델은 단어의 의미를 어떻게 학습합니까?
   • 사전에서 손으로 쓴 정의를 읽음으로써
   • 각 단어의 글자 수를 세어
   • 많은 양의 텍스트에서 그 근처에 어떤 다른 단어가 나타나는 경향이 있는지 관찰하여
   • 인간 평가자에게 모든 단어의 점수를 매기도록 요청함으로써
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 임베딩과 최신 변환기 모델 내부 임베딩의 주요 차이점은 무엇입니까?
   • 트랜스포머는 숫자를 전혀 사용하지 않습니다.
   • GloVe는 이미지에서만 작동합니다.
   • 현대 모델은 의미를 표현할 수 없습니다
   • Word2vec은 단어당 하나의 고정 벡터를 제공하는 반면 변환기는 컨텍스트 종속 벡터를 생성합니다.
5. 임베딩 벡터 비교에 가장 직접적으로 의존하는 작업은 무엇입니까?
   • 문서의 총 단어 수 계산
   • 텍스트를 대문자로 변환
   • 쿼리와 의미가 유사한 문서를 찾는 의미 검색
   • 디스크의 파일 크기 확인
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?
   • 하나
   • Minus one
   • 2개
   • 영
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