Test legat de ghid · Mediu Nivel

Testul Word2Vec Skip-Gram și CBOW

Compare Word2Vec's CBOW and Skip-Gram objectives, negative sampling, learned vectors, and the choices that affect rare-word training.

Căi de ghidare aferenteWord2vec Skip Gram și Cbow
Întrebare 1 de 8

Ce prezice arhitectura Skip-Gram?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce prezice arhitectura Skip-Gram?
    • Cuvintele de context din jurul cuvântului din centru
    • Cuvântul central din cuvintele din contextul înconjurător
    • Următoarea propoziție dintr-un document
    • Eticheta părții de vorbire a fiecărui cuvânt
  2. Care este rezultatul util real al antrenării unui model Word2Vec?
    • Precizia predicției asupra cuvintelor de context
    • Matricea ponderii învățate, ale cărei rânduri sunt vectorii de cuvinte
    • Un arbore de analiză a propoziției
    • O probabilitate pentru fiecare clasă de documente
  3. De ce Word2Vec folosește eșantionarea negativă?
    • Pentru a mări dimensiunea vocabularului
    • Pentru a traduce între limbi
    • Pentru a evita softmax complet scump pe întreg vocabularul
    • Pentru a elimina automat cuvintele oprite
  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. Ce proprietate faimoasă a vectorilor Word2Vec este ilustrată de „rege – bărbat + femeie ≈ regină”?
    • Analogii vectoriale prin aritmetică liniară
    • Căutare exactă în dicționar
    • Corectarea erorilor gramaticale
    • Normalizarea lungimii propoziției
  6. Cine a introdus Word2Vec și în ce an?
    • Geoffrey Hinton la Toronto, 2006
    • Tomas Mikolov și colegii de la Google, 2013
    • Yann LeCun la 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