แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบ Word2Vec Skip-Gram และ CBOW
เปรียบเทียบวัตถุประสงค์ CBOW และ Skip-Gram ของ Word2Vec การสุ่มตัวอย่างเชิงลบ เวกเตอร์ที่เรียนรู้ และตัวเลือกที่ส่งผลต่อการฝึกคำศัพท์ที่หายาก
คำถาม 1 ของ 8
สถาปัตยกรรม Skip-Gram ทำนายอะไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- สถาปัตยกรรม Skip-Gram ทำนายอะไร
- คำบริบทโดยรอบจากคำกลาง
- คำกลางจากคำบริบทโดยรอบ
- ประโยคถัดไปในเอกสาร
- แท็กส่วนของคำพูดของแต่ละคำ
- ผลลัพธ์ที่มีประโยชน์ที่แท้จริงของการฝึกโมเดล Word2Vec คืออะไร
- ความแม่นยำในการทำนายคำบริบท
- เมทริกซ์น้ำหนักที่เรียนรู้ ซึ่งมีแถวเป็นคำว่าเวกเตอร์
- ต้นไม้แยกประโยค
- ความน่าจะเป็นสำหรับแต่ละคลาสเอกสาร
- เหตุใด Word2Vec จึงใช้การสุ่มตัวอย่างเชิงลบ
- เพื่อเพิ่มขนาดคำศัพท์
- เพื่อแปลระหว่างภาษาต่างๆ
- เพื่อหลีกเลี่ยง softmax เต็มรูปแบบที่มีราคาแพงเหนือคำศัพท์ทั้งหมด
- เพื่อลบคำหยุดโดยอัตโนมัติ
- What does subsampling frequent words do in the later Word2Vec training method?
- It reduces the influence of very frequent words and can speed training
- It turns every word into a character n-gram
- It changes CBOW into a sentence classifier
- It guarantees better vectors for every rare word
- คุณสมบัติที่มีชื่อเสียงของเวกเตอร์ Word2Vec ใดที่แสดงโดย "king - man + woman data queen"
- การเปรียบเทียบเวกเตอร์ผ่านเลขคณิตเชิงเส้น
- การค้นหาพจนานุกรมที่แน่นอน
- การแก้ไขข้อผิดพลาดทางไวยากรณ์
- การทำให้เป็นมาตรฐานความยาวประโยค
- ใครเป็นผู้แนะนำ Word2Vec และในปีใด
- เจฟฟรีย์ ฮินตัน ที่โตรอนโต 2549
- Tomas Mikolov และเพื่อนร่วมงานที่ Google, 2013
- Yann LeCun ที่ Bell Labs, 1998
- OpenAI, 2018
- What does the CBOW architecture predict from its input context?
- Each future paragraph in the document
- The sentiment label of the full corpus
- The center word surrounded by the context window
- The spelling of a character n-gram
- What distribution does the original Word2Vec paper use to draw negative samples?
- A uniform distribution over all character n-grams
- A distribution based only on word length
- A distribution proportional to squared inverse frequency
- A unigram word-frequency distribution raised to the 0.75 power