Викторина по поиску плотного прохода

Ответы и пояснения появляются по мере прохождения теста.

1. Как функция плотного поиска пассажей определяет, какие отрывки соответствуют запросу?
   • Сравнение плотных векторных представлений запросов и отрывков по сходству
   • Подсчет количества слов запроса в каждом документе
   • Перевод запроса в SQL перед поиском
   • Ранжирование документов исключительно по дате их публикации
2. DPR использует архитектуру «би-кодировщика». Что это значит?
   • Он дважды кодирует текст и усредняет результаты.
   • Работает только с двуязычными документами.
   • Он кодирует как символы, так и слова одновременно.
   • Он использует два отдельных кодировщика: один для запросов и один для отрывков.
3. Почему в DPR можно заранее рассчитать векторы прохождения?
   • Потому что отрывки никогда не меняются после написания
   • Поскольку кодировщик запросов отключен во время поиска.
   • Поскольку каждый отрывок кодируется независимо от любого запроса
   • Поскольку отрывки сохраняются только в виде необработанного текста
4. Какой обучающий трюк позволяет DPR дешево генерировать множество негативных примеров?
   • Случайное переключение меток
   • Внутрипартийные негативы с использованием других отрывков из той же партии.
   • Выпадение половины нейронов
   • Маркировка вручную каждого неправильного отрывка
5. For what vocabulary mismatch can learned DPR representations be useful compared with lexical matching alone?
   • The passage is unrelated but repeats the query's terms
   • Every query contains only an exact serial number
   • The encoder is guaranteed to retrieve the right answer for all inputs
   • A relevant passage expresses a query's idea using different words
6. Какой инструмент обычно используется для быстрого и масштабного поиска ближайших соседей DPR?
   • Приблизительный индекс ближайших соседей, например FAISS.
   • Сортировка электронной таблицы
   • Механизм регулярных выражений
   • Соединение с реляционной базой данных
7. Why can BM25-retrieved nonanswer passages be useful hard negatives when training DPR?
   • They guarantee that every retrieved passage is irrelevant
   • Their lexical overlap can make them challenging distractors that the retriever must distinguish from the answer passage
   • They remove the need for a positive answer passage
   • They force the passage encoder to count words without learning
8. After changing DPR's passage encoder, what should happen to a stored passage-vector index?
   • Keep the old embeddings because encoder weights cannot affect vectors
   • Rename the index without recalculating any representation
   • Recompute the passage embeddings with the intended compatible encoder and update the index
   • Disable the query encoder and search raw filenames instead