Um modelo semântico vetorial foi criado com a seguinte definição: v(w)i = tf(w, di) ∙ idf(w, D) onde v é o vetor correspondente à palavra w, di é o i-ésimo documento da coleção D de artigos da Wikipédia, ordenados alfabeticamente por título, e tf e idf são, respectivamente, as funções de frequência de termo e inverso da frequência em documentos. A alternativa que classifica corretamente o modelo acima descrito e apresenta a razão correta para a classificação é:
- A)latente, pois v(w) descreve uma distribuição de tópicos em D;
Errada, porque o vetor descrito não representa distribuição de tópicos, e sim pesos da palavra em cada documento.
- B)latente, pois o modelo produz vetores densos;
Errada, porque ser denso ou esparso não define sozinho se o modelo é latente ou explícito.
- C)explícito, pois há uma interpretação intrínseca ao modelo para cada dimensão dos vetores;
Certa, porque cada dimensão do vetor corresponde a um documento específico e tem interpretação direta no modelo.
- D)latente, pois o modelo é construído de forma não supervisionada;
Errada, porque ser não supervisionado não torna o modelo automaticamente latente; isso é outra característica.
- E)explícito, pois a informação do modelo é específica a um corpus.
Errada, porque ser específico a um corpus não é o critério de classificação entre explícito e latente.
Gabarito: C
Em modelos semânticos vetoriais, a grande virada é perguntar: cada coordenada do vetor tem significado direto ou não? Quando a dimensão representa um documento específico, como no esquema tf-idf dado, cada posição do vetor indica o peso da palavra naquele documento. Isso é uma interpretação intrínseca e imediata, ou seja, o modelo é explícito. Já nos modelos latentes, as dimensões não correspondem diretamente a algo observável no corpus. Elas surgem de técnicas como LSA, word2vec ou embeddings, em que o vetor captura relações semânticas de forma mais escondida, sem uma leitura simples do tipo "esta dimensão = este documento" ou "esta dimensão = este tópico". No enunciado, o vetor v(w) tem uma componente para cada documento di da coleção D, e essa componente é tf(w, di) vezes idf(w, D). Como os documentos estão ordenados alfabeticamente por título, a posição i do vetor aponta para um documento identificável. Então você olha para a coordenada e sabe exatamente o que ela mede: a presença/peso da palavra naquele documento. Isso é o coração do modelo explícito. Por isso, a letra C está correta: é explícito, porque existe interpretação intrínseca para cada dimensão dos vetores. Não tem mistério escondido aqui, só um mapa bem legível da palavra para os documentos da coleção. Em prova, a FGV adora essa troca de nome bonito por ideia simples: se a dimensão "se explica sozinha", pense em explícito.