แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการฝังคำย่อย FastText

สำรวจอักขระ n-gram ของ FastText กลุ่มฟีเจอร์ที่แฮช การสนับสนุนที่ไม่มีคำศัพท์ สัณฐานวิทยา และการจัดหมวดหมู่ข้อความที่ได้รับการดูแลอย่างรวดเร็ว

เส้นทางแนะนำที่เกี่ยวข้องการฝังคำย่อย Fasttext
คำถาม 1 ของ 8

FastText นำเสนอคำเดียวได้อย่างไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. FastText นำเสนอคำเดียวได้อย่างไร
    • เป็นถุงใส่ตัวอักษร n-gram รวมเข้าด้วยกัน
    • เป็นโทเค็นเดียวที่แบ่งแยกไม่ได้เท่านั้น
    • ตามคำจำกัดความจากพจนานุกรม
    • เป็นเวกเตอร์สุ่ม
  2. FastText เอาชนะข้อ จำกัด ที่สำคัญของ Word2Vec และ GloVe อะไรบ้าง
    • พวกเขาวิ่งเร็วเกินไป
    • พวกเขาไม่สามารถสร้างเวกเตอร์สำหรับคำที่ไม่อยู่ในคำศัพท์ได้
    • พวกเขาละเลยเครื่องหมายวรรคตอน
    • พวกเขาทำงานเป็นภาษาอังกฤษเท่านั้น
  3. สำหรับคำว่า "where" ที่มี n-gram 3 ตัว ซึ่งเป็น n-gram ที่ถูกต้อง (มีเครื่องหมายขอบเขต)
    • <ที่ไหน>เท่านั้น
    • เอ็กซ์ซีส
    • ไหน
    • ที่
  4. โมเดลการฝังของ FastText สร้างขึ้นบนวัตถุประสงค์การฝึกอบรมพื้นฐานใด
    • การแยกตัวประกอบเมทริกซ์ของ GloVe
    • การแปลระดับประโยค
    • การสูญเสียการจำแนกประเภทรูปภาพ
    • ข้ามแกรมด้วยการสุ่มตัวอย่างเชิงลบ
  5. เหตุใด FastText จึงมีประโยชน์เป็นพิเศษสำหรับภาษาอย่างฟินแลนด์หรือตุรกี
    • พวกมันมีสัณฐานวิทยามากมายด้วยรูปแบบคำที่หลากหลายซึ่งใช้คำย่อยร่วมกัน
    • พวกเขามีคำพูดน้อยมาก
    • พวกเขาไม่ใช้ช่องว่าง
    • พวกเขาไม่มีคำที่หายาก
  6. Which separate method did Sennrich and colleagues describe for representing rare words in neural machine translation?
    • Byte-pair encoding as subword units
    • FastText’s hashed character n-gram bucket table
    • A full-word-only vocabulary that discards rare tokens
    • GloVe’s global co-occurrence matrix
  7. How does FastText store learnable features for its character n-grams?
    • It stores every complete sentence as a separate vector
    • It assigns each n-gram a pixel grid in a convolutional decoder
    • It hashes n-grams into a fixed-size bucket table with learned vectors
    • It replaces all subword features with a hand-written dictionary
  8. What can fastText's supervised mode do efficiently with its bag-of-features model?
    • Estimate the 3D shape of an object from a single image
    • Generate new audio waveforms from a spectrogram
    • Compute a global word-word co-occurrence matrix only
    • Classify text for tasks such as language identification or tagging