引導式測驗 · 中等 等級
句子-BERT 嵌入測驗
測試句子嵌入如何支援可擴展的語義搜索,包括俄羅斯娃娃表示和跨編碼器重新排名。
問題 1 的 8
Sentence-BERT 解決了普通 BERT 的哪些核心問題?
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。
- Sentence-BERT 解決了普通 BERT 的哪些核心問題?
- 用 BERT 成對比較許多句子太慢
- BERT 無法讀取超過一個句子
- BERT 僅適用於英語
- BERT 無法微調
- Sentence-BERT採用什麼網路架構?
- 單一自回歸解碼器
- 具有兩個權重共享 BERT 塔的連體網絡
- 卷積圖像網絡
- 強化學習代理
- Which pooling strategy did the original Sentence-BERT paper evaluate for creating sentence embeddings?
- 注意力頭的最大池化
- 僅使用第一個字符
- 令牌嵌入的平均池化
- 隨機選擇一個代幣
- 一旦嵌入句子,通常如何衡量它們的相似性?
- 在兩者上再次運行 BERT
- 計算共享字符
- 比較檔案大小
- 向量間的餘弦相似度(點積)
- What training data did the original Sentence-BERT paper use for NLI fine-tuning?
- Natural Language Inference examples labeled for entailment, contradiction and neutral relations
- Only satellite images with land-cover labels
- Only audio recordings with speaker labels
- Only source code and bug reports
- In a possible semantic-retrieval workflow, what can a Sentence-BERT bi-encoder do?
- Cross-attend to every query-candidate pair before any encoding
- Encode a query and candidate texts separately so vector similarity can rank candidates
- Guarantee retrieval quality for every corpus
- Replace the need to evaluate relevance
- What does Matryoshka Representation Learning enable for an embedding?
- 它保證每個向量大小的品質相同
- 它將嵌入轉換為帶有標籤的文字標記
- 單一表示可以被截斷為不同的維度,以犧牲儲存或計算來換取任務效能
- 它消除了相似性比較的需要
- 在常見的混合檢索管道中,雙編碼器檢索候選段落後會發生什麼?
- 將候選文字轉換為音訊
- 雙編碼器被丟棄並且不會發生排名
- 系統將所有文件平均為一句話
- 交叉編碼器可以對查詢-段落對進行評分以重新排列候選者