引导式测验 · 中等 等级

FastText 子词嵌入测验

探索 FastText 的字符 n 元语法、散列特征桶、词汇表外支持、形态和快速监督文本分类。

相关引导路径Fasttext 子词嵌入
问题 1 的 8

FastText 如何表示单个单词？

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. FastText 如何表示单个单词？
    • 作为一袋字符 n 元语法的总和
    • 仅作为一个不可分割的令牌
    • 正如字典中的定义
    • 作为随机向量
  2. FastText 克服了 Word2Vec 和 GloVe 的哪些主要限制？
    • 他们跑得太快
    • 他们无法为词汇表之外的单词创建向量
    • 他们忽略标点符号
    • 他们只用英语工作
  3. 对于具有 3 个字符的 n 元语法的单词“where”，哪个是有效的 n 元语法（带有边界标记）？
    • 仅<地点>
    • XYZ
    • 何
    • 的
  4. FastText 的嵌入模型建立在哪个基本训练目标之上？
    • GloVe 矩阵分解
    • 句子级翻译
    • 图像分类损失
    • 带负采样的 Skip-Gram
  5. 为什么 FastText 对于芬兰语或土耳其语等语言特别有用？
    • 它们的形态丰富，有许多共享子词的屈折词形式
    • 他们的话很少
    • 他们不使用空格
    • 他们没有生僻字
  6. Sennrich 和同事描述了哪种单独的方法来表示神经机器翻译中的稀有单词？
    • 作为子字单元的字节对编码
    • FastText 的散列字符 n-gram 桶表
    • 仅包含完整单词的词汇表，丢弃稀有标记
    • GloVe 的全局共现矩阵
  7. FastText 如何存储其字符 n 元语法的可学习特征？
    • 它将每个完整的句子存储为单独的向量
    • 它在卷积解码器中为每个 n-gram 分配一个像素网格
    • 它将 n-gram 散列到具有学习向量的固定大小的存储桶表中
    • 它用手写字典替换所有子词特征
  8. fastText 的监督模式可以通过其特征包模型有效地做什么？
    • 从单个图像估计物体的 3D 形状
    • 从频谱图生成新的音频波形
    • 仅计算全局词词共现矩阵
    • 对文本进行分类以执行语言识别或标记等任务