Quiz — Analysis and Improvement of Document Classification based on Word2vec and TF-IDF.pdf

Question 1 sur 10 20:00

[{"id":27230,"question":"Quel algorithme de Word2vec utilise une fenêtre de contexte pour générer des vecteurs de mots ?","option_a":"Skip-gram","option_b":"CBOW","option_c":"Word2vec-Deep","option_d":"GloVe","option_e":"","option_f":"","bonne_reponse":"a","explication":"Skip-gram prédit les mots contextuels à partir d'un mot central, tandis que CBOW fait l'inverse. GloVe est une autre méthode de représentation vectorielle, mais n'est pas un algorithme de Word2vec.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"a\", \"options\": {\"a\": \"Skip-gram\", \"b\": \"CBOW\", \"c\": \"Word2vec-Deep\", \"d\": \"GloVe\"}}","_debug_options_count":4},{"id":27231,"question":"Le TF-IDF attribue un poids plus élevé aux mots qui apparaissent fréquemment dans tous les documents.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"b","explication":"Le TF-IDF pénalise les mots fréquents dans tous les documents (IDF faible), car ils sont moins discriminants pour la classification.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"Vrai\", \"b\": \"Faux\", \"c\": \"\", \"d\": \"\"}}","_debug_options_count":4},{"id":27232,"question":"Quel est l'objectif principal de la normalisation des vecteurs dans Word2vec ?","option_a":"Réduire la dimensionnalité des vecteurs","option_b":"Améliorer la comparabilité entre les vecteurs","option_c":"Éviter le surapprentissage","option_d":"Accélérer les calculs","option_e":"","option_f":"","bonne_reponse":"b","explication":"La normalisation (division par la norme du vecteur) permet de comparer les similarités entre mots en utilisant des produits scalaires ou des distances cosinus, indépendamment de leur magnitude.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"Réduire la dimensionnalité des vecteurs\", \"b\": \"Améliorer la c","_debug_options_count":4},{"id":27233,"question":"Dans TF-IDF, que représente le terme 'IDF' dans la formule ?","option_a":"Inverse Document Frequency","option_b":"Internal Data Format","option_c":"Integrated Document Feature","option_d":"Inverse Data Frequency","option_e":"","option_f":"","bonne_reponse":"a","explication":"IDF signifie 'Inverse Document Frequency' et mesure l'importance d'un terme en fonction de sa rareté dans l'ensemble des documents.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"a\", \"options\": {\"a\": \"Inverse Document Frequency\", \"b\": \"Internal Data Format\", \"c\": \"I","_debug_options_count":4},{"id":27234,"question":"La similarité cosinus entre deux vecteurs de mots est toujours comprise entre :","option_a":"-1 et 1","option_b":"0 et 1","option_c":"0 et l'infini","option_d":"-l'infini et l'infini","option_e":"","option_f":"","bonne_reponse":"b","explication":"La similarité cosinus mesure l'angle entre deux vecteurs et est normalisée entre 0 (vecteurs orthogonaux) et 1 (vecteurs identiques).","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"-1 et 1\", \"b\": \"0 et 1\", \"c\": \"0 et l'infini\", \"d\": \"-l'infini et","_debug_options_count":4},{"id":27235,"question":"Quel est l'avantage principal de Word2vec par rapport à TF-IDF pour la classification de documents ?","option_a":"Moins de calculs nécessaires","option_b":"Prise en compte du contexte sémantique des mots","option_c":"Compatibilité avec tous les langages de programmation","option_d":"Pas besoin de prétraitement des données","option_e":"","option_f":"","bonne_reponse":"b","explication":"Word2vec capture les relations sémantiques entre les mots (ex: roi - homme + femme ≈ reine), ce qui améliore la qualité des représentations pour des tâches comme la classification.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"Moins de calculs nécessaires\", \"b\": \"Prise en compte du contexte","_debug_options_count":4},{"id":27236,"question":"Un mot avec un TF-IDF élevé est généralement un mot de liaison (ex: 'le', 'et').","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"b","explication":"Les mots de liaison ont généralement un TF-IDF faible, car leur IDF est proche de 0 (ils apparaissent dans presque tous les documents).","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"Vrai\", \"b\": \"Faux\", \"c\": \"\", \"d\": \"\"}}","_debug_options_count":4},{"id":27237,"question":"Quel paramètre de Word2vec contrôle la taille des vecteurs de mots générés ?","option_a":"window","option_b":"size","option_c":"min_count","option_d":"iter","option_e":"","option_f":"","bonne_reponse":"b","explication":"Le paramètre 'size' détermine la dimensionnalité des vecteurs de mots. Par exemple, size=100 génère des vecteurs de 100 dimensions.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"window\", \"b\": \"size\", \"c\": \"min_count\", \"d\": \"iter\"}}","_debug_options_count":4},{"id":27238,"question":"La classification de documents avec TF-IDF nécessite obligatoirement une étape de normalisation des vecteurs avant l'apprentissage.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"b","explication":"La normalisation n'est pas obligatoire, mais elle est fortement recommandée pour améliorer les performances des algorithmes de classification comme SVM ou k-NN.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"Vrai\", \"b\": \"Faux\", \"c\": \"\", \"d\": \"\"}}","_debug_options_count":4},{"id":27239,"question":"Quel est l'impact d'une fenêtre de contexte trop large dans Word2vec ?","option_a":"Réduction de la précision des vecteurs","option_b":"Augmentation du temps de calcul","option_c":"Perte de la sémantique locale","option_d":"Amélioration de la généralisation","option_e":"","option_f":"","bonne_reponse":"c","explication":"Une fenêtre trop large peut inclure des mots trop éloignés sémantiquement, ce qui réduit la qualité des relations capturées entre les mots.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"c\", \"options\": {\"a\": \"Réduction de la précision des vecteurs\", \"b\": \"Augmentation du ","_debug_options_count":4}]