Вікторина, пов’язана з посібником · Середній Рівень

Тест із вбудованими словами FastText

Ознайомтеся з n-грамами символів FastText, хешованими сегментами функцій, підтримкою поза словниковим запасом, морфологією та швидкою класифікацією контрольованого тексту.

Пов'язані напрямні шляхиВбудовані підслова Fasttext
Питання 1 з 8

Як FastText представляє одне слово?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Як FastText представляє одне слово?
    • Як мішок символів n-грамів, підсумованих разом
    • Тільки як один неподільний жетон
    • Як його визначення зі словника
    • Як випадковий вектор
  2. Які основні обмеження Word2Vec і GloVe долає FastText?
    • Вони надто швидко бігають
    • Вони не можуть створювати вектори для слів поза словниковим запасом
    • Вони ігнорують розділові знаки
    • Вони працюють лише англійською
  3. Для слова «де» з 3-символьними n-грамами, що є дійсною n-грамою (з межовими маркерами)?
    • лише <де>
    • xyz
    • коли
    • в
  4. На якій основній навчальній меті побудована модель вбудовування FastText?
    • Факторизація матриці GloVe
    • Переклад на рівні речення
    • Втрата класифікації зображення
    • Skip-Gram з негативним відбором
  5. Чому FastText особливо корисний для таких мов, як фінська чи турецька?
    • Вони морфологічно багаті багатьма відмінюваними словоформами, які мають спільні підслова
    • У них дуже мало слів
    • Вони не використовують пробіли
    • У них немає рідкісних слів
  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