Bài kiểm tra đánh giá ngữ nghĩa và điểm BERTS

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

1. BERTScore giải quyết điểm yếu cốt lõi nào của BLEU và ROUGE?
   • Họ phạt những cách diễn giải hợp lệ sử dụng các từ khác nhau
   • Chúng chạy quá chậm trên các tài liệu dài
   • Họ yêu cầu người chú thích con người cho mọi điểm số
   • Họ chỉ dịch chứ không tóm tắt
2. BERTScore quyết định hai token giống nhau như thế nào?
   • Bằng cách đếm các ký tự được chia sẻ
   • Bởi sự tương đồng cosine của các nhúng theo ngữ cảnh của chúng
   • Bằng cách kiểm tra xem chúng có xuất hiện trong cùng một mục từ điển không
   • Bằng cách khớp chuỗi chính xác
3. Việc nhúng BERTScore là 'theo ngữ cảnh' có nghĩa là gì?
   • Chúng chỉ được tính một lần cho mỗi từ vựng
   • Họ hoàn toàn phớt lờ những lời nói xung quanh
   • Cùng một từ có các vectơ khác nhau tùy thuộc vào câu của nó
   • Chúng dựa trên số lượng tần số từ
4. BERTScore thường báo cáo ba giá trị nào?
   • BLEU, ROUGE và METEOR
   • Độ chính xác, thu hồi và bối rối
   • Độ lệch, phương sai và mất mát
   • Độ chính xác, thu hồi và F1
5. Mục đích của việc tính trọng số IDF tùy chọn trong BERTScore là gì?
   • Để giảm bớt những từ rất phổ biến, ít thông tin
   • Để tăng tốc độ tính toán nhúng
   • Để chuyển đổi điểm thành tỷ lệ phần trăm
   • Để dịch văn bản trước khi ghi điểm
6. Tại sao việc thay đổi tỷ lệ đường cơ sở đôi khi được áp dụng cho BERTScore?
   • Để loại bỏ sự cần thiết của một văn bản tham khảo
   • Để làm cho điểm thô trải rộng trên một phạm vi dễ hiểu hơn
   • Để chuyển đổi nó thành BLEU để so sánh
   • Để loại bỏ hoàn toàn mô hình nhúng
7. In BERTScore, which direction corresponds to recall?
   • For each candidate token, find its best-matching reference token
   • Compare sentence lengths only
   • For each reference token, find its best-matching candidate token
   • Count exact matching n-grams
8. Why can IDF weighting change BERTScore’s token contribution?
   • It replaces contextual embeddings with word counts
   • It removes the reference text
   • It forces every token to have identical similarity
   • Common words receive less weight than more informative words