Gids-gekoppelde quiz · Middelmatig Niveau
Woordinsluitingsquiz
Bekijk geleerde woordvectoren, statische en contextuele representaties, vectorrelaties, cosinusvergelijkingen en de grenzen van semantische gelijkenis.
Vraag 1 van 8
How does a learned word embedding represent a word for numerical comparison?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- 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
- Hoe leren modellen als word2vec wat een woord betekent?
- Door handgeschreven definities uit een woordenboek te lezen
- Door letters in elk woord te tellen
- Door te observeren welke andere woorden in grote hoeveelheden tekst in de buurt voorkomen
- Door menselijke beoordelaars te vragen elk woord een score te geven
- 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
- Wat is het belangrijkste verschil tussen de inbedding van word2vec/GloVe en de inbedding in moderne transformatormodellen?
- Transformers gebruiken helemaal geen cijfers
- GloVe werkt alleen op afbeeldingen
- Moderne modellen kunnen geen betekenis weergeven
- Word2vec geeft één vaste vector per woord, terwijl transformatoren contextafhankelijke vectoren produceren
- Welke taak is het meest direct afhankelijk van het vergelijken van inbeddingsvectoren?
- Het totale aantal woorden in een document tellen
- Tekst omzetten naar hoofdletters
- Semantisch zoeken dat documenten vindt met een vergelijkbare betekenis als een zoekopdracht
- De grootte van een bestand op schijf controleren
- 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
- In a toy word-vector comparison, what is the cosine similarity of the nonzero vectors one-zero and zero-one?
- Eén
- Minus one
- Twee
- Nul
- 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