Quiz dotyczący osadzania słów

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

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. W jaki sposób modele takie jak word2vec uczą się, co oznacza słowo?
   • Czytając odręcznie pisane definicje ze słownika
   • Licząc litery w każdym słowie
   • Obserwując, jakie inne słowa zwykle pojawiają się w jego pobliżu w dużych ilościach tekstu
   • Prosząc ludzi oceniających, aby ocenili każde słowo
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. Jaka jest główna różnica pomiędzy osadzeniem word2vec/GloVe a osadzeniem w nowoczesnych modelach transformatorów?
   • Transformatory w ogóle nie używają liczb
   • GloVe działa tylko na obrazach
   • Nowoczesne modele nie mogą przedstawiać znaczenia
   • Word2vec daje jeden stały wektor na słowo, podczas gdy transformatory tworzą wektory zależne od kontekstu
5. Które zadanie najbardziej bezpośrednio opiera się na porównywaniu wektorów osadzania?
   • Liczenie całkowitej liczby słów w dokumencie
   • Konwersja tekstu na wielkie litery
   • Wyszukiwanie semantyczne, które znajduje dokumenty o znaczeniu podobnym do zapytania
   • Sprawdzanie rozmiaru pliku na dysku
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?
   • Jeden
   • Minus one
   • Dwa
   • Zero
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