แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการดึงปฏิสัมพันธ์ล่าช้าของ ColBERT

ทดสอบเวกเตอร์โทเค็น ColBERT, การเข้ารหัสอิสระ, การให้คะแนน MaxSim, งานตามเวลาสืบค้น และต้นทุนพื้นที่จัดเก็บที่จัดการโดยการบีบอัด ColBERTv2

เส้นทางแนะนำที่เกี่ยวข้องการดึงปฏิสัมพันธ์ล่าช้าของฌ็อง
คำถาม 1 ของ 8

ColBERT เป็นตัวแทนแบบสอบถามหรือเอกสารอย่างไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. ColBERT เป็นตัวแทนแบบสอบถามหรือเอกสารอย่างไร
    • เป็นเวกเตอร์การฝังเฉลี่ยเดียว
    • เนื่องจากคำหลักดิบนับเท่านั้น
    • เวกเตอร์การฝังตามบริบทระดับโทเค็นจำนวนมาก
    • เป็นภาพ
  2. ฟังก์ชันการให้คะแนนที่ ColBERT ใช้เรียกว่าอะไร
    • แม็กซ์ซิม
    • การรวมตัวกันของโคไซน์
    • ซอฟต์แม็กซ์ข้ามเอนโทรปี
    • ค้นหาบีม
  3. What query-time work does ColBERT avoid by precomputing document token vectors?
    • All query encoding and all index access
    • Every comparison between a query token and document token
    • The need to store document representations
    • Joint transformer encoding of every query-document pair, while query encoding and similarity search still run
  4. 'การล่าช้า' ใน 'การโต้ตอบล่าช้า' หมายถึงอะไร
    • โมเดลได้รับการฝึกฝนล่าช้าในขั้นตอนการทำงาน
    • การโต้ตอบระหว่างโทเค็นการสืบค้นและเอกสารจะถูกเลื่อนออกไปเป็นขั้นตอนการให้คะแนนหลังจากการเข้ารหัสอิสระ
    • แบบสอบถามมาถึงตอนดึก
    • เอกสารจะถูกเพิ่มหลังจากการปรับใช้
  5. ColBERT กล่าวถึงปัญหาอะไรกับการดึงข้อมูลหนาแน่นแบบเวกเตอร์เดี่ยว
    • การจัดทำดัชนีช้าเกินไป
    • ไม่สามารถทำงานบน GPU ได้
    • ต้องมีข้อมูลที่มีป้ายกำกับสำหรับทุกแบบสอบถาม
    • การบีบอัดข้อความทั้งหมดเป็นเวกเตอร์เดียวจะสูญเสียรายละเอียดที่ละเอียด
  6. ColBERTv2 มีการปรับปรุงอะไรให้ดีขึ้นกว่าเดิมอย่างเห็นได้ชัด?
    • ทำให้ไม่จำเป็นต้องมีการฝังใดๆ
    • มันเปลี่ยนจาก BERT เป็นระบบตามกฎ
    • มันเพิ่มการบีบอัดที่เหลือเพื่อลดขนาดดัชนีลงอย่างมาก
    • มันยกเลิกขั้นตอน MaxSim
  7. A two-token ColBERT query has best document-token similarities of 0.8 and 0.3. What MaxSim score results?
    • 0.8, retaining only the single largest value across the whole query
    • 1.1, the sum of the two per-query-token maxima
    • 0.55, averaging instead of summing the maxima
    • 0.24, multiplying the two maxima
  8. Why can a ColBERT document index require more storage than a single-vector dense index?
    • It retains multiple token-level representations for each document
    • It never precomputes any document features
    • It must store all transformer gradients for each document
    • It removes every document token before indexing