Rehber bağlantılı sınav · Orta Seviye

Word2Vec Gram ve CBOW Testini Atla

Word2Vec'in CBOW ve Skip-Gram hedeflerini, negatif örneklemeyi, öğrenilen vektörleri ve nadir kelime eğitimini etkileyen seçimleri karşılaştırın.

İlgili kılavuz yollarıWord2vec Gram ve Cbow'u Atla
Soru 1 arasında 8

Skip-Gram mimarisi neyi öngörüyor?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Skip-Gram mimarisi neyi öngörüyor?
    • Merkez kelimeden çevreleyen bağlam kelimeleri
    • Çevreleyen bağlam sözcüklerinden merkez sözcük
    • Bir belgedeki sonraki cümle
    • Her kelimenin konuşma parçası etiketi
  2. Bir Word2Vec modelini eğitmenin gerçek yararlı çıktısı nedir?
    • Bağlam sözcüklerindeki tahmin doğruluğu
    • Satırları kelime vektörleri olan öğrenilmiş ağırlık matrisi
    • Cümlenin ayrıştırma ağacı
    • Her belge sınıfı için bir olasılık
  3. Word2Vec neden negatif örnekleme kullanıyor?
    • Kelime boyutunu artırmak için
    • Diller arasında çeviri yapmak için
    • Tüm kelime dağarcığında pahalı tam softmax'tan kaçınmak için
    • Durdurulan kelimeleri otomatik olarak kaldırmak için
  4. 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
  5. Word2Vec vektörlerinin hangi ünlü özelliği "kral - erkek + kadın ≈ kraliçe" ile gösterilmektedir?
    • Doğrusal aritmetik yoluyla vektör analojileri
    • Tam sözlük araması
    • Dilbilgisi hatası düzeltme
    • Cümle uzunluğu normalizasyonu
  6. Word2Vec'i kim ve hangi yılda tanıttı?
    • Geoffrey Hinton Toronto'da, 2006
    • Tomas Mikolov ve meslektaşları Google, 2013'te
    • Yann LeCun Bell Laboratuvarlarında, 1998
    • OpenAI, 2018
  7. 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
  8. 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