Викторина, связанная с руководством · Средний Уровень

Викторина по связыванию сущностей и устранению неоднозначности

Обнаружение упоминаний теста, контекст, генерация кандидатов, извлечение двухкодировщиков, переранжирование перекрестных кодировщиков, выходные данные NIL и согласованность на уровне документа.

Связанные направляющие путиСвязывание сущностей и устранение неоднозначности
Вопрос 1 из 8

С чем связывание сущностей связывает текстовое упоминание?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. С чем связывание сущностей связывает текстовое упоминание?
    • Случайная веб-страница
    • Новый тренировочный забег
    • Исправление орфографии
    • Уникальная запись в базе знаний
  2. Во фразе «компания Apple выпустила телефон» какая задача устранения неоднозначности?
    • Решение Apple означает плоды, а не компанию
    • Решение Apple — это технологическая компания, а не фрукты
    • Перевод Apple на другой язык
    • Подсчет букв в Apple
  3. Какова цель этапа генерации кандидатов?
    • Чтобы написать новую статью
    • Чтобы удалить неоднозначные слова
    • Чтобы получить краткий список возможных совпадающих объектов
    • Чтобы перевести текст
  4. Какую роль бикодировщик играет в современном связывании сущностей?
    • Быстрый поиск с помощью отдельных вложений для упоминаний и сущностей.
    • Медленная ручная маркировка каждого упоминания.
    • Генерация изображений объектов
    • Шифрование базы знаний
  5. Что представляет собой класс NIL при связывании сущностей?
    • Самая популярная сущность
    • Упоминание без соответствующей записи в базе знаний
    • Дубликат объекта
    • Ошибка обучения
  6. How can document-level coherence help an entity-linking system?
    • By guaranteeing that every mention has the same entity identifier
    • By proving every document discusses only one topic
    • By removing the need to evaluate individual mention contexts
    • By considering whether candidate assignments fit the document context and one another
  7. After fast candidate retrieval, what information does a cross-encoder jointly read for entity-linking reranking?
    • The mention's context and a candidate entity's description
    • Only the entity's numeric identifier with no text
    • Only the two input filenames
    • Only the number of images in the knowledge base
  8. If an entity-linking pipeline never proposes the span 'Apple' for analysis, which initial stage has missed that mention?
    • The final candidate reranker only
    • The image-compression stage
    • Mention detection
    • The knowledge base's output filename formatter