แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

BM25 และแบบทดสอบการดึงคำศัพท์

สำรวจคำที่หายากของ BM25 ความอิ่มตัวของความถี่ การควบคุมความยาวของเอกสาร ดัชนีแบบกลับด้าน และบทบาทของมันในการขุดฮาร์ดเนกาทีฟสำหรับตัวดึงข้อมูลหนาแน่น

เส้นทางแนะนำที่เกี่ยวข้องBm25 และการดึงคำศัพท์
คำถาม 1 ของ 8

BM25 ใช้เพื่อจัดอันดับเอกสารเป็นหลักอย่างไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. BM25 ใช้เพื่อจัดอันดับเอกสารเป็นหลักอย่างไร
    • การฝังความหมายที่หนาแน่น
    • ความถี่ของภาคเรียน ความถี่ของเอกสารผกผัน และความยาวของเอกสาร
    • วันที่ตีพิมพ์ของเอกสารแต่ละฉบับ
    • ประวัติการคลิกผ่านของผู้ใช้เท่านั้น
  2. ความถี่ของเอกสารผกผัน (IDF) มีบทบาทอย่างไรใน BM25
    • มันส่งเสริมคำทั่วไปเช่น 'the'
    • โดยจะวัดระยะเวลาของเอกสารแต่ละฉบับ
    • มันทำให้คำศัพท์ที่หายากและโดดเด่นกว่ามีน้ำหนักมากกว่า
    • โดยจะนับจำนวนเอกสารทั้งหมดเท่านั้น
  3. เหตุใด BM25 จึงใช้การปรับมาตรฐานความยาวเอกสาร (พารามิเตอร์ b)
    • ดังนั้นเอกสารที่ยาวจึงไม่ได้รับการสนับสนุนอย่างไม่ยุติธรรมเพียงเพราะมีคำมากขึ้น
    • เพื่อให้ทุกเอกสารมีความยาวเท่ากัน
    • หากต้องการลบเอกสารขนาดสั้น
    • เพื่อแปลเอกสารเป็นภาษามาตรฐาน
  4. คุณลักษณะสำคัญของการจัดการความถี่ภาคเรียนของ BM25 คือ:
    • เพิ่มขึ้นเป็นเส้นตรงตลอดไปทุกครั้งที่ทำซ้ำ
    • ละเว้นความถี่ของเทอมโดยสิ้นเชิง
    • เพิ่มคะแนนเป็นสองเท่าสำหรับทุกคำที่ซ้ำกัน
    • ทำให้อิ่มตัว ดังนั้นการทำซ้ำเพิ่มเติมจึงทำให้ความเกี่ยวข้องลดลง
  5. โครงสร้างข้อมูลใดที่ทำให้ BM25 ทำงานได้รวดเร็วในวงกว้าง
    • เงื่อนไขการแมปดัชนีแบบกลับหัวกับเอกสารที่มีอยู่
    • โครงข่ายประสาทเทียม
    • อาร์เรย์ที่เรียงลำดับเดียวของข้อความทั้งหมด
    • ฐานข้อมูลกราฟของการอ้างอิง
  6. ในระบบการค้นหาสมัยใหม่ BM25 มักใช้เพื่อ:
    • แทนที่โมเดลประสาททั้งหมดทั้งหมด
    • ทำหน้าที่เป็นรีทรีฟเวอร์ระยะแรกที่รวดเร็วก่อนที่จะจัดอันดับประสาทใหม่ หรือจะหลอมรวมกับคะแนนที่หนาแน่น
    • สร้างเอกสารใหม่ล่าสุด
    • เข้ารหัสดัชนีการค้นหา
  7. In the standard BM25 formula, what effect does setting b to zero have?
    • It removes all inverse-document-frequency weights
    • It makes every matching term contribute zero
    • It changes the index from lexical terms to dense vectors
    • It disables document-length normalization in the term-frequency denominator
  8. When BM25 is used to mine DPR training negatives, what makes a retrieved nonanswer passage a hard negative?
    • It has no words in common with any document
    • It is automatically the positive passage because its lexical score is high
    • It looks relevant through term overlap but does not support the question's answer
    • It contains no readable text and is never retrieved