Викторина по тематическому моделированию

Ответы и пояснения появляются по мере прохождения теста.

1. In the LDA formulation, how is a modeled topic represented over the vocabulary?
   • As one mandatory human-written keyword only
   • As a probability distribution over words
   • As a grammatical parse of every sentence
   • As a sentiment value with no vocabulary representation
2. Why can an unsupervised LDA topic model be fit to documents without topic labels?
   • It requires a verified category for every document first
   • It reads only documents with identical titles
   • It necessarily uses a classifier trained on the same task labels
   • It infers unobserved topic structure from the observed words
3. Как LDA относится к отдельному документу?
   • Как принадлежность ровно к одной теме
   • Как последовательность, в которой важен порядок слов
   • Как смесь нескольких тем в разных пропорциях
   • В виде изображения текста для сканирования
4. Что такое предположение о «мешке слов», используемое классическим LDA?
   • Он игнорирует порядок слов и использует только количество слов.
   • Он сохраняет только первое предложение каждого документа.
   • Сначала он переводит каждый документ на английский язык.
   • Требуется, чтобы слова были в алфавитном порядке
5. Какое решение обычно необходимо принять перед запуском LDA?
   • Точное название каждой темы
   • Автор каждого документа
   • Шрифт, которым написаны документы
   • Количество тем K, которые нужно найти
6. Which stage commonly starts BERTopic's grouping of documents rather than relying only on raw word counts?
   • Assigning every document a manually required topic label
   • Clustering representations derived from document embeddings
   • Removing all text before computing any representation
   • Treating every document as an identical image file
7. When inspecting LDA's high-probability words, who can supply a descriptive topic name such as election coverage?
   • An analyst interpreting the weighted words and documents
   • A probability value that necessarily proves one official name
   • A required government approver for every model run
   • A document filename that always determines the meaning
8. After BERTopic groups documents, what does c-TF-IDF help produce for each cluster?
   • The original input image pixels
   • A required dependency parse for every token
   • Characteristic weighted words representing the group
   • Proof that every cluster has exactly one true theme