Kuiz Pembenaman Perkataan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

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. Bagaimanakah model seperti word2vec mempelajari maksud perkataan?
   • Dengan membaca definisi tulisan tangan daripada kamus
   • Dengan mengira huruf dalam setiap perkataan
   • Dengan memerhati perkataan lain mana yang cenderung muncul berhampirannya dalam jumlah teks yang banyak
   • Dengan meminta penilai manusia untuk menjaringkan setiap perkataan
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. Apakah perbezaan utama antara benam word2vec/GloVe dan benam dalam model pengubah moden?
   • Transformer tidak menggunakan nombor sama sekali
   • GloVe hanya berfungsi pada imej
   • Model moden tidak boleh mewakili makna
   • Word2vec memberikan satu vektor tetap bagi setiap perkataan, manakala pengubah menghasilkan vektor bergantung konteks
5. Tugas manakah yang paling bergantung secara langsung pada membandingkan vektor benam?
   • Mengira jumlah perkataan dalam dokumen
   • Menukar teks kepada huruf besar
   • Carian semantik yang mencari dokumen dengan makna yang serupa dengan pertanyaan
   • Menyemak saiz fail pada cakera
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?
   • satu
   • Minus one
   • dua
   • Sifar
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