แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการค้นหาแบบไฮบริด

ตรวจสอบการสืบค้นคำศัพท์และการสืบค้นแบบหนาแน่น การจัดอันดับฟิวชั่น วิธีการกระจัดกระจายของระบบประสาท และเหตุใดคุณภาพการสืบค้นจึงแตกต่างกันไปตามโดเมน ทดสอบแต่ละรายการกับข้อความค้นหาเป้าหมาย

เส้นทางแนะนำที่เกี่ยวข้องการค้นหาแบบไฮบริด
คำถาม 1 ของ 8

โดยทั่วไปแล้วการค้นหาแบบไฮบริดจะรวมวิธีการดึงข้อมูลสองวิธีใดบ้าง

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. โดยทั่วไปแล้วการค้นหาแบบไฮบริดจะรวมวิธีการดึงข้อมูลสองวิธีใดบ้าง
    • การค้นหาคำหลักแบบกระจัดกระจาย (เช่น BM25) และการค้นหาเวกเตอร์แบบหนาแน่น
    • โมเดลภาษาขนาดใหญ่สองแบบที่แตกต่างกันโหวตคำตอบ
    • แบบสอบถาม SQL และดัชนีข้อความแบบเต็มเท่านั้น
    • ค้นหารูปภาพและค้นหาเสียง
  2. เหตุใด Reciprocal Rank Fusion (RRF) จึงมักใช้เพื่อรวมผลลัพธ์
    • โดยจะฝึกโครงข่ายประสาทเทียมใหม่สำหรับการค้นหาแต่ละครั้ง
    • โดยจะรวมเอกสารตามตำแหน่งอันดับแทนคะแนนดิบ เพื่อหลีกเลี่ยงไม่ให้มาตราส่วนไม่ตรงกัน
    • มันจะลบเอกสารใด ๆ ที่ปรากฏในทั้งสองรายการ
    • โดยจะเก็บผลลัพธ์อันดับต้นๆ ไว้เพียงรายการเดียวจากรีทรีฟเวอร์แต่ละตัว
  3. สถานการณ์ใดที่สนับสนุนองค์ประกอบกระจัดกระจาย (คำหลัก) ของการค้นหาแบบไฮบริดมากที่สุด
    • การค้นหาเอกสารที่ถอดความแบบสอบถามด้วยคำที่ต่างกัน
    • การทำความเข้าใจน้ำเสียงของประโยค
    • จับคู่หมายเลขชิ้นส่วนหรือรหัสข้อผิดพลาดที่ต้องปรากฏตามตัวอักษร
    • การแปลคำถามเป็นภาษาอื่น
  4. จุดอ่อนหลักของการใช้การค้นหาเวกเตอร์หนาแน่นเพียงอย่างเดียวคืออะไร
    • ไม่สามารถเข้าใจคำพ้องความหมายหรือถอดความได้
    • มันใช้งานได้กับภาพเท่านั้น
    • ไม่จำเป็นต้องมีการฝังเลย
    • อาจพลาดโทเค็นที่หายาก เช่น รหัสหรือนามสกุลเฉพาะ
  5. โมเดลกระจัดกระจายที่เรียนรู้อย่าง SPLADE ทำหน้าที่อะไร
    • สร้างน้ำหนักคำศัพท์ที่สามารถตีความได้โดยใช้โครงข่ายประสาทเทียม ผสมผสานแนวคิดที่กระจัดกระจายและหนาแน่นเข้าด้วยกัน
    • จะลบการจับคู่คำหลักทั้งหมดออกจากการค้นหา
    • มันเก็บภาพเป็นเวกเตอร์เท่านั้น
    • มันเข้ามาแทนที่ความจำเป็นในการเรียกคืนใดๆ
  6. What can combining lexical and dense retrieval provide to a RAG system?
    • A guarantee that every generated statement is true
    • Potentially more varied candidate evidence, subject to evaluation of retrieval and answer quality
    • A replacement for grounding sources
    • An automatic legal review of generated answers
  7. What tradeoff did BEIR report for reranking and late-interaction methods on average?
    • They always ran faster and used less compute than BM25
    • They made retrieval independent of the corpus
    • They often achieved stronger zero-shot performance but at higher computational cost
    • They guaranteed a correct generated answer
  8. What did the BEIR benchmark conclude about BM25 in zero-shot retrieval?
    • It always beats every neural retriever
    • It cannot retrieve exact terms
    • It is a dense-vector model
    • It remains a robust baseline across diverse datasets