Bài kiểm tra nhúng từ

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

1. How does a learned word embedding represent a word for numerical comparison?
   • As a plain-text dictionary entry only
   • As a vector of learned numerical features
   • As a complete recorded pronunciation only
   • As a manually assigned grammar rule
2. Làm cách nào để các mô hình như word2vec tìm hiểu nghĩa của một từ?
   • Bằng cách đọc các định nghĩa viết tay từ từ điển
   • Bằng cách đếm các chữ cái trong mỗi từ
   • Bằng cách quan sát những từ khác có xu hướng xuất hiện gần nó trong số lượng lớn văn bản
   • Bằng cách yêu cầu người đánh giá chấm điểm từng từ
3. What does the classic king-minus-man-plus-woman vector example illustrate?
   • Some learned representations capture relationships through vector offsets
   • Every word relation obeys an exact arithmetic law
   • Vector arithmetic verifies every factual statement
   • The vector stores a word's exact spelling only
4. Sự khác biệt chính giữa phần nhúng word2vec/GloVe và phần nhúng bên trong các mô hình máy biến áp hiện đại là gì?
   • Máy biến áp hoàn toàn không sử dụng số
   • GloVe chỉ hoạt động trên hình ảnh
   • Mô hình hiện đại không thể thể hiện ý nghĩa
   • Word2vec cung cấp một vectơ cố định cho mỗi từ, trong khi máy biến áp tạo ra các vectơ phụ thuộc vào ngữ cảnh
5. Nhiệm vụ nào dựa trực tiếp nhất vào việc so sánh các vectơ nhúng?
   • Đếm tổng số từ trong tài liệu
   • Chuyển đổi văn bản thành chữ hoa
   • Tìm kiếm ngữ nghĩa để tìm các tài liệu có ý nghĩa tương tự như một truy vấn
   • Kiểm tra kích thước tệp trên đĩa
6. Which scale of dimensionality is found in common released classic word-vector configurations?
   • Exactly one coordinate for every model
   • Tens or hundreds of learned coordinates per word
   • Exactly two coordinates in all word2vec models
   • At least ten million coordinates per word by definition
7. In a toy word-vector comparison, what is the cosine similarity of the nonzero vectors one-zero and zero-one?
   • một
   • Minus one
   • Hai
   • số không
8. What should the first coordinate of an arbitrary learned word embedding be assumed to mean?
   • A learned feature without a universal predetermined linguistic label
   • The word's character count in every model
   • A fixed sentiment score in every dataset
   • The document's factual reliability by definition