引导式测验 · 中等 等级

BERTcore 和语义评估测验

检查语义文本评估中的上下文标记匹配、精度和召回方向、IDF 权重和基线重新缩放。

相关引导路径Bertscore和语义评估
问题 1 的 8

BERTScore 解决了 BLEU 和 ROUGE 的哪些核心弱点？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. BERTScore 解决了 BLEU 和 ROUGE 的哪些核心弱点？
    • 他们惩罚使用不同单词的有效释义
    • 他们在长文档上运行太慢
    • 他们的每个分数都需要人工注释
    • 他们只做翻译，不做摘要
  2. BERTScore 如何判定两个 token 相似？
    • 通过计算共享字符数
    • 通过上下文嵌入的余弦相似度
    • 通过检查它们是否出现在同一个字典条目中
    • 通过精确的字符串匹配
  3. BERTScore 嵌入是“上下文的”意味着什么？
    • 每个词汇仅计算一次
    • 他们完全忽略周围的词语
    • 同一个单词根据它的句子得到不同的向量
    • 它们基于词频计数
  4. BERTcore 通常报告哪三个值？
    • 蓝色、胭脂和流星
    • 准确率、召回率和复杂度
    • 偏差、方差和损失
    • 准确率、召回率和 F1
  5. BERTcore 中可选 IDF 加权的目的是什么？
    • 减少非常常见、信息量较少的单词的权重
    • 加速嵌入计算
    • 将分数转换为百分比
    • 在评分之前翻译文本
  6. 为什么基线重新调整有时会应用于 BERTScore？
    • 消除对参考文本的需要
    • 使原始分数分布在更容易解释的范围内
    • 将其转换为BLEU进行比较
    • 完全消除嵌入模型
  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