引導式測驗 · 中等 等級
BERTcore 和語意評估測驗
檢查語義文字評估中的上下文標記匹配、精確度和召回方向、IDF 權重和基線重新縮放。
問題 1 的 8
BERTScore 解決了 BLEU 和 ROUGE 的哪些核心弱點?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- BERTScore 解決了 BLEU 和 ROUGE 的哪些核心弱點?
- 他們懲罰使用不同單字的有效釋義
- 他們在長文檔上運行太慢
- 他們的每個分數都需要人工註釋
- 他們只做翻譯,不做摘要
- BERTScore 如何判定兩個 token 相似?
- 透過計算共享字元數
- 透過上下文嵌入的餘弦相似度
- 透過檢查它們是否出現在同一個字典條目中
- 透過精確的字串匹配
- BERTScore 嵌入是「上下文的」意味著什麼?
- 每個詞彙僅計算一次
- 他們完全忽略周圍的詞語
- 同一個單字根據它的句子得到不同的向量
- 它們基於詞頻計數
- BERTcore 通常會報告哪三個值?
- 藍色、胭脂和流星
- 準確率、召回率和複雜度
- 偏差、方差和損失
- 準確率、召回率和 F1
- BERTcore 中可選 IDF 加權的目的是什麼?
- 減少非常常見、資訊量較少的單字的權重
- 加速嵌入運算
- 將分數轉換為百分比
- 在評分之前翻譯文本
- 為什麼基線重新調整有時會應用於 BERTScore?
- 消除對參考文本的需要
- 使原始分數分佈在較容易解釋的範圍內
- 將其轉換為BLEU進行比較
- 完全消除嵌入模型
- 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
- 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