Quiz połączony z przewodnikiem · Średni Poziom

Word2Vec Pomiń gramy i quiz CBOW

Porównaj cele CBOW i Skip-Gram programu Word2Vec, próbkowanie negatywne, wyuczone wektory i wybory wpływające na uczenie rzadkich słów.

Powiązane ścieżki prowadząceWord2vec Pomiń Gram i Cbow
Pytanie 1 z 8

Co przewiduje architektura Skip-Gram?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Co przewiduje architektura Skip-Gram?
    • Otaczające słowa kontekstu od słowa środkowego
    • Słowo środkowe spośród otaczających słów kontekstowych
    • Następne zdanie w dokumencie
    • Znacznik części mowy każdego słowa
  2. Jaki jest rzeczywisty użyteczny wynik szkolenia modelu Word2Vec?
    • Dokładność przewidywania słów kontekstowych
    • Wyuczona macierz wag, której wiersze są wektorami słów
    • Drzewo analizy zdania
    • Prawdopodobieństwo dla każdej klasy dokumentu
  3. Dlaczego Word2Vec używa próbkowania negatywnego?
    • Aby zwiększyć rozmiar słownictwa
    • Aby tłumaczyć między językami
    • Aby uniknąć kosztownego pełnego softmaxu w całym słownictwie
    • Aby automatycznie usunąć słowa stop
  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. Jaką słynną właściwość wektorów Word2Vec ilustruje wyrażenie „król – mężczyzna + kobieta ≈ królowa”?
    • Analogie wektorowe za pomocą arytmetyki liniowej
    • Dokładne wyszukiwanie w słowniku
    • Korekta błędów gramatycznych
    • Normalizacja długości zdań
  6. Kto i w którym roku wprowadził Word2Vec?
    • Geoffrey Hinton w Toronto, 2006
    • Tomas Mikolov i współpracownicy w Google, 2013
    • Yann LeCun w 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