超级会员免费看
本文介绍了Word2Vec的工作原理及其在中文同义词替换中的应用，强调了它并非获取语义上的同义词，而是基于上下文统计。同时，讨论了SVM在二类分类中的决策边界，指出支持向量对决策边界的影响，并分析了不同情况下决策边界的变动。此外，还探讨了SVM的泛化误差、时间复杂度、效率和核函数选择对其性能的影响。
1、中文同义词替换时，常用到Word2Vec，以下说法错误的是
A. Word2Vec基于概率统计
B. Word2Vec结果符合当前语料环境
C. Word2Vec得到的都是语义上的同义词
D. Word2Vec受限于训练语料的数量和质量
参考答案：C
解析：Word2Vec是常用的词向量表示，它采用的是同等上下文环境下的词语具有相同的词向量，而并非相同的含义。例如，我使用和朋友聊天。我使用<微信>和朋友聊天。这两句话只要上下文一样，那么QQ和微信的词向量表示也相同。当然也有我爱<中国>和我爱<中华人民共和国>这两个词在语义上的表示是相同的。
2、假定你用一个线性SVM分类器求解二类分类问题，如下图所示，这些用红色圆圈起来的点表示支持向量
如果移除这些圈起来的数据，决策边界（即分离超平面）是否会发生改变？
A. 会
B. 不会
参考答案：A
解析：SVM的决策边界取决于支持向量，支持向量发生改变，其决策边界也会发生改变。
3、如果将数据中除圈起来的三个点以外的其他数据全部移除
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
