RNAP Tema 6

Una base de datos de palabras del estilo de WordNet (marca todas las respuestas correctas): Seleccione una o más de una: A. Está construida por humanos. B. Permite obtener sinónimos y antónimos de palabras mediante grupos y reglas definidos por humanos. C. Contiene word vectors. A, B. B, C. A, C.

Bag-of-words (marca todas las respuestas correctas): Seleccione una o más de una: A. Proporciona una representación discreta del texto. B. Asigna 0 a los elementos no presentes del vocabulario en el vector resultante. C. Asigna 1 a los elementos no presentes del vocabulario en el vector resultante. A, B. B, C. A, C.

Un word vector (marca la respuesta correcta): Es una representación discreta de una palabra. No permite obtener similitudes con otros word vectors. Es una representación distribuida de una palabra.

Los word vectors también se conocen como: Word embeddings. Word discrete vectors. Discrete representations. Word contexts.

El tamaño de window o contexto m: Es un parámetro del modelo word2vec y se aprende durante el entrenamiento. Es un hiperparámetro del modelo word2vec y se elige antes de entrenar el modelo. Un valor lógico para este parámetro sería m = T. Un valor lógico para este parámetro sería m = 0.

La dimensión d de los word vectors: Es un parámetro del modelo word2vec y se aprende durante el entrenamiento. Es un hiperparámetro del modelo word2vec y se elige antes de entrenar el modelo. No es un parámetro ni un hiperparámetro y su valor no reviste.

La similitud mediante cosenos (marca todas las respuestas correctas): Seleccione una o más de una: A. Se basa en el ángulo entre dos vectores. B. Varía entre -1 y 1, con 1 siendo la máxima similitud y -1, la mínima. C. Varía entre 0 y 1, con 1 siendo la máxima similitud y 0 la mínima. D. Se obtiene a partir de un producto escalar normalizado mediante el módulo de los vectores. A, B. B, C, D,. A, B, C. A, C, D. C, D.

Word2vec utiliza como datos: Una representación discreta de un conjunto de textos. Un conjunto de textos. Un conjunto de textos, pero necesitamos a humanos que asignen a cada texto una clase correcta, como en un problema de clasificación. Word2vec no necesita datos.

Los word vectors resultantes de word2vec: Codifican una representación de las palabras con ciertos valores semánticos, de manera que pueden calcularse palabras similares a otras y detectar relaciones entre ellas. Codifican una representación de las palabras con valores puramente estructurales, de manera que solo podemos saber palabras que se suelen comportar como sustantivos, verbos, adverbios, etc. Codifican una representación discreta de las palabras. Ninguna de las anteriores.

Negative sampling: Es una técnica que no se usa en la práctica, ya que basta con aplicar gradient descent sobre el problema completo de word2vec. Consiste en utilizar solo una pequeña parte aleatoria de los textos de los que disponemos. Es una aproximación al problema de optimización completo de word2vec que resulta mucho más eficiente computacionalmente. Ninguna de las anteriores.