Kuiz berkaitan panduan · Sederhana Tahap

Word2Vec Skip-Gram dan Kuiz CBOW

Bandingkan objektif CBOW dan Skip-Gram Word2Vec, pensampelan negatif, vektor yang dipelajari dan pilihan yang mempengaruhi latihan perkataan jarang.

Laluan panduan yang berkaitanWord2vec Langkau Gram Dan Cbow
soalan 1 daripada 8

Apakah yang diramalkan oleh seni bina Skip-Gram?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah yang diramalkan oleh seni bina Skip-Gram?
    • Kata konteks sekeliling daripada kata tengah
    • Kata tengah daripada kata konteks sekeliling
    • Ayat seterusnya dalam dokumen
    • Tag bahagian pertuturan bagi setiap perkataan
  2. Apakah output berguna sebenar untuk melatih model Word2Vec?
    • Ketepatan ramalan pada perkataan konteks
    • Matriks berat yang dipelajari, yang barisnya ialah vektor perkataan
    • Pokok huraian ayat
    • Kebarangkalian untuk setiap kelas dokumen
  3. Mengapa Word2Vec menggunakan pensampelan negatif?
    • Untuk menambah saiz kosa kata
    • Untuk menterjemah antara bahasa
    • Untuk mengelakkan softmax penuh yang mahal ke atas keseluruhan perbendaharaan kata
    • Untuk mengalih keluar perkataan berhenti secara automatik
  4. What does subsampling frequent words do in the later Word2Vec training method?
    • It reduces the influence of very frequent words and can speed training
    • It turns every word into a character n-gram
    • It changes CBOW into a sentence classifier
    • It guarantees better vectors for every rare word
  5. Apakah sifat terkenal vektor Word2Vec yang digambarkan oleh "raja - lelaki + wanita ≈ permaisuri"?
    • Analogi vektor melalui aritmetik linear
    • Carian kamus tepat
    • Pembetulan ralat tatabahasa
    • Normalisasi panjang ayat
  6. Siapa yang memperkenalkan Word2Vec dan pada tahun berapa?
    • Geoffrey Hinton di Toronto, 2006
    • Tomas Mikolov dan rakan sekerja di Google, 2013
    • Yann LeCun di Bell Labs, 1998
    • OpenAI, 2018
  7. What does the CBOW architecture predict from its input context?
    • Each future paragraph in the document
    • The sentiment label of the full corpus
    • The center word surrounded by the context window
    • The spelling of a character n-gram
  8. What distribution does the original Word2Vec paper use to draw negative samples?
    • A uniform distribution over all character n-grams
    • A distribution based only on word length
    • A distribution proportional to squared inverse frequency
    • A unigram word-frequency distribution raised to the 0.75 power