Gids-gekoppelde quiz · Middelmatig Niveau

Word2Vec Skip-Gram en CBOW-quiz

Vergelijk de CBOW- en Skip-Gram-doelstellingen van Word2Vec, negatieve steekproeven, geleerde vectoren en de keuzes die van invloed zijn op de training van zeldzame woorden.

Gerelateerde gidspadenWord2vec Sla Gram en Cbow over
Vraag 1 van 8

Wat voorspelt de Skip-Gram-architectuur?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat voorspelt de Skip-Gram-architectuur?
    • Omringende contextwoorden vanaf het middelste woord
    • Het middelste woord uit de omliggende contextwoorden
    • De volgende zin in een document
    • De woordsoorttag van elk woord
  2. Wat is de werkelijke nuttige output van het trainen van een Word2Vec-model?
    • De nauwkeurigheid van de voorspelling van contextwoorden
    • De geleerde gewichtsmatrix, waarvan de rijen de woordvectoren zijn
    • Een ontleedboom van de zin
    • Een waarschijnlijkheid voor elke documentklasse
  3. Waarom gebruikt Word2Vec negatieve steekproeven?
    • Om de woordenschat te vergroten
    • Om te vertalen tussen talen
    • Om de dure volledige softmax over de hele woordenschat te vermijden
    • Om stopwoorden automatisch te verwijderen
  4. Wat doet subsampling van veelvoorkomende woorden in de latere Word2Vec-trainingsmethode?
    • Het vermindert de invloed van zeer frequente woorden en kan de training versnellen
    • Het zet elk woord om in een teken-n-gram
    • Het verandert CBOW in een zinssclassifier
    • Het garandeert betere vectoren voor elk zeldzaam woord
  5. Welke beroemde eigenschap van Word2Vec-vectoren wordt geïllustreerd door "koning - man + vrouw ≈ koningin"?
    • Vectoranalogieën via lineaire rekenkunde
    • Exact opzoeken in woordenboek
    • Grammaticale foutcorrectie
    • Normalisatie van de zinlengte
  6. Wie introduceerde Word2Vec en in welk jaar?
    • Geoffrey Hinton in Toronto, 2006
    • Tomas Mikolov en collega's bij Google, 2013
    • Yann LeCun bij Bell Labs, 1998
    • OpenAI, 2018
  7. Wat voorspelt de CBOW-architectuur op basis van de invoercontext?
    • Elke toekomstige paragraaf in het document
    • Het sentimentlabel van het volledige corpus
    • Het middelste woord omringd door het contextvenster
    • De spelling van een teken-n-gram
  8. Welke verdeling gebruikt de originele Word2Vec-paper om negatieve samples te trekken?
    • Een uniforme verdeling over alle teken-n-grams
    • Een verdeling die alleen is gebaseerd op de woordlengte
    • Een verdeling evenredig met de omgekeerde frequentie in het kwadraat
    • Een unigram-woordfrequentieverdeling tot de macht 0,75