แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการประเมิน BERTScore และความหมาย
ตรวจสอบการจับคู่โทเค็นตามบริบท ความแม่นยำ และทิศทางการเรียกคืน การถ่วงน้ำหนัก IDF และการลดขนาดพื้นฐานในการประเมินข้อความเชิงความหมาย
คำถาม 1 ของ 8
จุดอ่อนหลักประการใดของ BLEU และ ROUGE ที่ BERTScore กล่าวถึง
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- จุดอ่อนหลักประการใดของ BLEU และ ROUGE ที่ BERTScore กล่าวถึง
- พวกเขาลงโทษการถอดความที่ถูกต้องซึ่งใช้คำต่างกัน
- ทำงานช้าเกินไปกับเอกสารขนาดยาว
- พวกเขาต้องการคำอธิบายประกอบที่เป็นมนุษย์สำหรับทุกคะแนน
- ใช้งานได้เฉพาะกับการแปลเท่านั้น ไม่ใช่การสรุป
- BERTScore ตัดสินอย่างไรว่าโทเค็นทั้งสองมีความคล้ายคลึงกัน
- โดยการนับตัวอักษรที่ใช้ร่วมกัน
- ด้วยความคล้ายคลึงโคไซน์ของการฝังตามบริบท
- โดยตรวจสอบว่าปรากฏในรายการพจนานุกรมเดียวกันหรือไม่
- โดยการจับคู่สตริงแบบตรงทั้งหมด
- การฝัง BERTScore นั้นเป็น 'บริบท' หมายความว่าอย่างไร
- โดยจะคำนวณเพียงครั้งเดียวต่อคำศัพท์หนึ่งคำ
- พวกเขาเพิกเฉยต่อคำที่อยู่รอบข้างโดยสิ้นเชิง
- คำเดียวกันจะได้เวกเตอร์ต่างกันขึ้นอยู่กับประโยค
- ขึ้นอยู่กับการนับความถี่ของคำ
- โดยทั่วไป BERTScore จะรายงานค่าสามค่าใด
- BLEU, ROUGE และดาวตก
- ความแม่นยำ การเรียกคืน และความฉงนสนเท่ห์
- อคติ ความแปรปรวน และการสูญเสีย
- ความแม่นยำ การเรียกคืน และ F1
- วัตถุประสงค์ของการถ่วงน้ำหนัก IDF เพิ่มเติมใน BERTScore คืออะไร
- เพื่อลดน้ำหนักคำทั่วไปและให้ข้อมูลน้อย
- เพื่อเพิ่มความเร็วในการคำนวณการฝัง
- เพื่อแปลงคะแนนเป็นเปอร์เซ็นต์
- เพื่อแปลข้อความก่อนให้คะแนน
- เหตุใดบางครั้งการปรับขนาดพื้นฐานจึงนำไปใช้กับ BERTScore
- เพื่อขจัดความจำเป็นในการใช้ข้อความอ้างอิง
- เพื่อให้คะแนนดิบกระจายไปในช่วงที่ตีความได้มากขึ้น
- เพื่อแปลงเป็น BLEU เพื่อเปรียบเทียบ
- เพื่อกำจัดการฝังโมเดลโดยสิ้นเชิง
- In BERTScore, which direction corresponds to recall?
- For each candidate token, find its best-matching reference token
- Compare sentence lengths only
- For each reference token, find its best-matching candidate token
- Count exact matching n-grams
- Why can IDF weighting change BERTScore’s token contribution?
- It replaces contextual embeddings with word counts
- It removes the reference text
- It forces every token to have identical similarity
- Common words receive less weight than more informative words