Test de încorporare a cuvintelor

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

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. Cum învață modelele precum word2vec ce înseamnă un cuvânt?
   • Citind definiții scrise de mână dintr-un dicționar
   • Numărând literele din fiecare cuvânt
   • Observând ce alte cuvinte tind să apară lângă el în cantități mari de text
   • Cerând evaluatorilor umani să înscrie fiecare cuvânt
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. Care este principala diferență dintre înglobările word2vec/GloVe și înglobările din interiorul modelelor moderne de transformatoare?
   • Transformers nu folosesc deloc numere
   • GloV funcționează numai pe imagini
   • Modelele moderne nu pot reprezenta sens
   • Word2vec oferă un vector fix pe cuvânt, în timp ce transformatoarele produc vectori dependenți de context
5. Care sarcină se bazează cel mai direct pe compararea vectorilor de încorporare?
   • Numărarea numărului total de cuvinte dintr-un document
   • Conversia textului în majuscule
   • Căutare semantică care găsește documente cu semnificație similară unei interogări
   • Verificarea dimensiunii unui fișier pe disc
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?
   • Unul
   • Minus one
   • Doi
   • 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