引导式测验 · 中等 等级

Word2Vec Skip-Gram 和 CBOW 测验

比较 Word2Vec 的 CBOW 和 Skip-Gram 目标、负采样、学习向量以及影响稀有词训练的选择。

相关引导路径Word2vec 跳过 Gram 和 Cbow
问题 1 的 8

Skip-Gram 架构预测什么？

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. Skip-Gram 架构预测什么？
    • 围绕中心词的上下文词
    • 周围上下文单词中的中心词
    • 文档中的下一句话
    • 每个单词的词性标记
  2. 训练 Word2Vec 模型的实际有用输出是什么？
    • 上下文词的预测准确率
    • 学习到的权重矩阵，其行是词向量
    • 句子的解析树
    • 每个文档类别的概率
  3. 为什么Word2Vec使用负采样？
    • 增加词汇量
    • 在语言之间进行翻译
    • 避免整个词汇表上昂贵的完整 softmax
    • 自动删除停用词
  4. What does subsampling frequent words do in the later Word2Vec training method?
    • It reduces the influence of very frequent words and can speed training
    • It turns every word into a character n-gram
    • It changes CBOW into a sentence classifier
    • It guarantees better vectors for every rare word
  5. “国王 - 男人 + 女人 ≈ 女王”说明了 Word2Vec 向量的哪些著名属性？
    • 通过线性算术进行向量类比
    • 精确字典查找
    • 语法错误纠正
    • 句子长度标准化
  6. 谁在哪一年引入了 Word2Vec？
    • 杰弗里·辛顿 (Geoffrey Hinton) 在多伦多，2006 年
    • Tomas Mikolov 及其同事在 Google，2013 年
    • Yann LeCun，贝尔实验室，1998
    • OpenAI，2018
  7. What does the CBOW architecture predict from its input context?
    • Each future paragraph in the document
    • The sentiment label of the full corpus
    • The center word surrounded by the context window
    • The spelling of a character n-gram
  8. What distribution does the original Word2Vec paper use to draw negative samples?
    • A uniform distribution over all character n-grams
    • A distribution based only on word length
    • A distribution proportional to squared inverse frequency
    • A unigram word-frequency distribution raised to the 0.75 power