แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ง่าย ระดับ

แบบทดสอบการย่อและการย่อคำ

เปรียบเทียบการแก้ปัญหาแบบฮิวริสติกกับการแบ่งย่อยตามบริบท และเรียนรู้ว่าแต่ละวิธีทำให้รูปแบบคำเป็นมาตรฐานสำหรับการประมวลผลข้อความได้อย่างไร

เส้นทางแนะนำที่เกี่ยวข้องการย่อและการแตกราก
คำถาม 1 ของ 8

อะไรคือความแตกต่างที่สำคัญระหว่างการกั้นและการแทรกคำย่อ?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. อะไรคือความแตกต่างที่สำคัญระหว่างการกั้นและการแทรกคำย่อ?
    • Stemming ใช้กฎการแยกคำต่อท้ายอย่างหยาบ ในขณะที่การแบ่งคำย่อจะจับคู่คำกับรูปแบบพื้นฐานของพจนานุกรมจริง
    • Stemming ใช้พจนานุกรม การแบ่งย่อใช้กฎเกณฑ์
    • เป็นกระบวนการที่เหมือนกัน
    • การกั้นจะใช้ได้กับตัวเลขเท่านั้น
  2. Porter Stemmer อาจให้ผลลัพธ์อะไรกับคำว่า 'การศึกษา'
    • การศึกษา
    • เรียน
    • ศึกษา
    • นักเรียน
  3. When 'better' is used as a comparative adjective, which lemma may a lemmatizer return?
    • Betterness
    • Bet
    • Good
    • Wellness
  4. เหตุใดตัวแทรกคำจึงมักต้องการข้อมูลส่วนหนึ่งของคำพูด?
    • เพื่อนับตัวอักษร
    • เพื่อแปลคำศัพท์
    • เพื่อใช้อักษรตัวพิมพ์ใหญ่
    • เพื่อเลือกบทแทรกที่ถูกต้อง เนื่องจากการสะกดคำเดียวกันอาจเป็นคำนามหรือกริยาได้
  5. โดยทั่วไปข้อใดเป็นจริงเกี่ยวกับการกั้นเมื่อเปรียบเทียบกับการย่อคำ
    • การกั้นจะเร็วกว่าแต่แม่นยำน้อยกว่า
    • การกั้นจะช้าลงและแม่นยำยิ่งขึ้น
    • Stemming มักจะสร้างคำในพจนานุกรม
    • การกั้นต้องใช้ WordNet
  6. เทคนิคทั้งสองมีประโยชน์ในทางปฏิบัติร่วมกันอย่างไร?
    • พวกเขาแปลข้อความ
    • พวกเขาลดขนาดคำศัพท์โดยการรวมรูปแบบคำต่างๆ
    • พวกเขาเพิ่มคำศัพท์ใหม่
    • พวกเขาเข้ารหัสข้อความ
  7. What does byte-pair encoding do when constructing subword units?
    • It strips every suffix using a fixed Porter rule
    • It assigns every word a single pronunciation
    • It iteratively merges frequent adjacent symbols into larger units
    • It replaces all tokens with part-of-speech labels
  8. Why should stemming or lemmatization tools be checked separately for different languages?
    • Every language uses the same suffix rules
    • Lemmatizers can process only English verbs
    • Stemming produces identical output for every script
    • Morphology and useful normalization rules vary by language