引导式测验 · 中等 等级

句子-BERT 嵌入测验

测试句子嵌入如何支持可扩展的语义搜索，包括俄罗斯套娃表示和跨编码器重新排名。

相关引导路径句子 Bert 嵌入
问题 1 的 8

Sentence-BERT 解决了普通 BERT 的哪些核心问题？

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. Sentence-BERT 解决了普通 BERT 的哪些核心问题？
    • 用 BERT 成对比较许多句子太慢
    • BERT 无法读取超过一个句子
    • BERT 仅适用于英语
    • BERT 无法微调
  2. Sentence-BERT采用什么网络架构？
    • 单个自回归解码器
    • 具有两个权重共享 BERT 塔的连体网络
    • 卷积图像网络
    • 强化学习代理
  3. 原始 Sentence-BERT 论文评估了哪种池化策略来生成句子嵌入？
    • 注意力头的最大池化
    • 仅使用第一个字符
    • 令牌嵌入的平均池化
    • 随机选择一个代币
  4. 一旦嵌入句子，通常如何衡量它们的相似性？
    • 在两者上再次运行 BERT
    • 计算共享字符
    • 比较文件大小
    • 向量之间的余弦相似度（点积）
  5. 原始 Sentence-BERT 论文在 NLI 微调时使用了什么训练数据？
    • 自然语言推理示例标注为蕴含、矛盾和中性关系
    • 仅包含带有土地覆盖标签的卫星图像
    • 仅包含带有说话人标签的音频录音
    • 仅包含源代码和 bug 报告
  6. 在可能的语义检索工作流中，Sentence-BERT 双编码器可以做什么？
    • 在任何编码之前对每个查询‑候选对进行交叉注意
    • 分别编码查询和候选文本，以便向量相似度对候选进行排序
    • 保证每个语料库的检索质量
    • 取代评估相关性的需求
  7. Matryoshka 表示学习为嵌入提供了什么？
    • 它保证在每个向量尺寸下质量相同
    • 它将嵌入转换为带标签的文本标记
    • 单一表示可以截断为不同维度，以在存储或计算与任务性能之间进行权衡
    • 它消除了相似度比较的需求
  8. 在常见的混合检索流水线中，双编码器检索到候选段落后会发生什么？
    • 候选文本被转换为音频
    • 双编码器被丢弃且不进行排序
    • 系统将所有文档平均为一句话
    • 交叉编码器可以对查询‑段落对打分，以重新排序候选项