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。

相關引導路徑句子 Bert 嵌入
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。

  1. 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
  2. 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
  3. 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
  4. 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)
  5. 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
  6. 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
  7. 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
  8. 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