Gids-gekoppelde quiz · Middelmatig Niveau
BM25 en Lexicale ophaalquiz
Ontdek de zeldzaamheid van BM25-termen, frequentieverzadiging, controles op de documentlengte, omgekeerde indexen en de rol ervan bij het delven van harde negatieven voor compacte retrievers.
Vraag 1 van 8
Wat gebruikt BM25 voornamelijk om documenten te rangschikken?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat gebruikt BM25 voornamelijk om documenten te rangschikken?
- Dichte semantische inbedding
- Termfrequentie, omgekeerde documentfrequentie en documentlengte
- De publicatiedatum van elk document
- Alleen doorklikgeschiedenis van gebruiker
- Welke rol speelt de inverse documentfrequentie (IDF) in BM25?
- Het stimuleert veel voorkomende woorden als 'de'
- Het meet hoe lang elk document is
- Het geeft zeldzamere, meer onderscheidende termen een hoger gewicht
- Er wordt alleen het totale aantal documenten geteld
- Waarom past BM25 documentlengtenormalisatie toe (de b-parameter)?
- Zodat lange documenten niet onterecht de voorkeur krijgen alleen omdat ze meer woorden bevatten
- Om elk document even lang te maken
- Om korte documenten te verwijderen
- Documenten vertalen naar een standaardtaal
- Een belangrijk kenmerk van de term-frequentiebehandeling van BM25 is dat het:
- Verhoogt lineair voor altijd bij elke herhaling
- Negeert de termfrequentie volledig
- Verdubbelt de score voor elk herhaald woord
- Verzadigt, dus extra herhalingen zorgen voor een afnemende relevantie
- Welke datastructuur maakt BM25 snel op schaal?
- Een omgekeerde index die termen toewijst aan de documenten die ze bevatten
- Een neuraal netwerk
- Eén gesorteerde array van alle tekst
- Een grafische database met citaten
- In moderne zoeksystemen wordt BM25 vaak gebruikt om:
- Vervang alle neurale modellen volledig
- Serveer als een snelle retriever in de eerste fase vóór een neurale reranker, of laat je samensmelten met dichte scores
- Genereer gloednieuwe documenten
- Versleutel de zoekindex
- In the standard BM25 formula, what effect does setting b to zero have?
- It removes all inverse-document-frequency weights
- It makes every matching term contribute zero
- It changes the index from lexical terms to dense vectors
- It disables document-length normalization in the term-frequency denominator
- When BM25 is used to mine DPR training negatives, what makes a retrieved nonanswer passage a hard negative?
- It has no words in common with any document
- It is automatically the positive passage because its lexical score is high
- It looks relevant through term overlap but does not support the question's answer
- It contains no readable text and is never retrieved