Викторина по встраиванию слов

Ответы и пояснения появляются по мере прохождения теста.

1. Как встраивание изученного слова представляет слово для числового сравнения?
   • 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. Как такие модели, как word2vec, узнают, что означает слово?
   • Читая рукописные определения из словаря
   • Подсчитав буквы в каждом слове
   • Наблюдая за тем, какие другие слова чаще всего появляются рядом с ним в больших объемах текста.
   • Попросив оценщиков оценить каждое слово
3. Что иллюстрирует классический векторный пример «король минус мужчина плюс женщина»?
   • 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. В чем основное отличие вложений word2vec/GloVe от вложений внутри современных моделей трансформеров?
   • Трансформеры вообще не используют цифры
   • GloVe работает только с изображениями.
   • Современные модели не могут представлять смысл
   • Word2vec дает один фиксированный вектор для каждого слова, а преобразователи создают контекстно-зависимые векторы.
5. Какая задача наиболее непосредственно зависит от сравнения векторов внедрения?
   • Подсчет общего количества слов в документе
   • Преобразование текста в верхний регистр
   • Семантический поиск, который находит документы, имеющие схожее значение с запросом.
   • Проверка размера файла на диске
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?
   • Один
   • Minus one
   • Два
   • Ноль
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