1000+ câu Trắc nghiệm Nhập môn xử lý ngôn ngữ tự nhiên có đáp án - Phần 15

Mô hình hoạt động kém trên cả dữ liệu huấn luyện và dữ liệu kiểm tra

Mô hình hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra

Mô hình hoạt động tốt trên cả dữ liệu huấn luyện và dữ liệu kiểm tra

Mô hình không hội tụ trong quá trình huấn luyện

Mô hình Transformer

Mô hình RNN (Recurrent Neural Network) truyền thống

Mô hình n-gram

Mô hình dựa trên Bag-of-Words

Vấn đề từ vựng không có trong từ điển (out-of-vocabulary words)

Vấn đề phụ thuộc tầm xa (long-range dependencies) trong câu

Vấn đề tốc độ xử lý chậm của mạng nơ-ron

Vấn đề thiếu dữ liệu huấn luyện

Phân tích cảm xúc văn bản

Dịch máy tự động

Nhận dạng khuôn mặt

Tóm tắt văn bản tự động

Word embeddings (ví dụ: Word2Vec, GloVe)

Biểu diễn túi từ (Bag-of-Words)

Mô hình ngôn ngữ dựa trên mạng nơ-ron

Cây cú pháp phụ thuộc (Dependency parse tree)

Độ chính xác (Accuracy)

BLEU score (Bilingual Evaluation Understudy)

F1-score

Recall

Tìm dạng nguyên gốc của từ (lemma)

Rút gọn từ về dạng gốc bằng cách loại bỏ các hậu tố và tiền tố

Phân tích cấu trúc ngữ pháp của câu

Phân loại văn bản dựa trên chủ đề

Thứ tự xuất hiện của các từ trong văn bản

Tần suất xuất hiện của mỗi từ trong văn bản, bỏ qua thứ tự

Ngữ cảnh xuất hiện của các từ trong văn bản

Mối quan hệ ngữ pháp giữa các từ trong văn bản

Tăng tốc độ huấn luyện

Giảm thiểu overfitting bằng cách ngẫu nhiên bỏ qua một số nơ-ron trong quá trình huấn luyện

Tăng kích thước mô hình

Cải thiện khả năng diễn giải của mô hình

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác

Tìm kiếm và truy xuất các tài liệu liên quan đến một truy vấn cụ thể từ một tập dữ liệu lớn

Phân tích cảm xúc của văn bản trên mạng xã hội

Tạo ra văn bản tóm tắt từ một tài liệu dài

Tạo ra phản hồi văn bản tự động

Xác định mục đích hoặc mong muốn của người dùng thông qua đầu vào văn bản của họ

Lưu trữ lịch sử hội thoại với người dùng

Chuyển đổi văn bản thành giọng nói để chatbot 'nói chuyện'

Stemming chậm hơn lemmatization

Lemmatization tạo ra gốc từ có nghĩa, trong khi stemming có thể tạo ra gốc từ không có nghĩa

Stemming sử dụng từ điển, lemmatization thì không

Lemmatization chỉ áp dụng cho tiếng Anh, stemming áp dụng cho nhiều ngôn ngữ hơn

Đo khoảng cách giữa hai từ trong không gian vector

Đo mức độ tương tự về ngữ nghĩa giữa hai từ

Giảm chiều dữ liệu của word embeddings

Huấn luyện word embeddings từ dữ liệu văn bản

Dịch văn bản sang ngôn ngữ khác

Xác định tất cả các biểu thức tham chiếu đến cùng một thực thể trong văn bản

Phân tích cấu trúc ngữ pháp của câu

Tóm tắt nội dung chính của văn bản

Mỗi từ trong câu độc lập với các từ khác

Xác suất xuất hiện của một từ chỉ phụ thuộc vào n-1 từ đứng trước nó

Ngữ nghĩa của từ là yếu tố quan trọng nhất

Cấu trúc ngữ pháp của câu quyết định ý nghĩa

Xử lý dữ liệu tuần tự theo thứ tự

Tập trung vào các phần khác nhau của **cùng một** chuỗi đầu vào khi xử lý mỗi vị trí

Tập trung vào chuỗi đầu vào khác khi tạo ra chuỗi đầu ra

Giảm chiều dữ liệu đầu vào

Bộ lọc thư rác (Spam email filter)

Hệ thống đề xuất sản phẩm (Product recommendation system)

Trợ lý ảo (Virtual assistant)

Công cụ kiểm tra chính tả (Spell checker)

Chuyển đổi văn bản thành giọng nói

Chia văn bản thành các đơn vị nhỏ hơn, ví dụ như từ hoặc cụm từ

Gán nhãn từ loại cho mỗi từ trong câu

Loại bỏ các từ dừng (stop words) khỏi văn bản

Xác định cảm xúc chung của toàn bộ văn bản

Xác định cảm xúc đối với từng khía cạnh cụ thể được đề cập trong văn bản

Dịch văn bản sang ngôn ngữ khác trước khi phân tích cảm xúc

Sử dụng từ điển cảm xúc để phân tích cảm xúc

Đánh giá chất lượng văn bản được tạo ra

Lựa chọn từ tiếp theo để tạo ra văn bản, dựa trên phân phối xác suất dự đoán của mô hình

Tiền xử lý dữ liệu huấn luyện

Tăng tốc độ tạo văn bản

Phân tích cảm xúc của văn bản

Xác định và phân loại các thực thể có tên trong văn bản

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác

Tóm tắt nội dung chính của văn bản

Tốc độ xử lý của mô hình

Khả năng dự đoán từ tiếp theo của mô hình

Độ phức tạp của mô hình

Kích thước của mô hình

Phân chia câu thành các cụm từ

Xác định mối quan hệ phụ thuộc giữa các từ trong câu, biểu diễn dưới dạng cây

Gán nhãn từ loại cho mỗi từ

Phân tích cảm xúc của câu

Mã hóa one-hot

Phân tích thành phần chính (PCA)

Biểu diễn túi từ (Bag-of-Words)

Biểu diễn TF-IDF

Phân cụm văn bản (Document clustering)

Mô hình hóa chủ đề (Topic modeling)

Phân loại cảm xúc (Sentiment classification) với dữ liệu gán nhãn

Giảm chiều dữ liệu (Dimensionality reduction)

Giảm kích thước mô hình

Tái sử dụng kiến thức đã học từ một nhiệm vụ (hoặc tập dữ liệu) để cải thiện hiệu suất trên một nhiệm vụ khác, thường là với ít dữ liệu hơn

Tăng tốc độ huấn luyện mô hình

Cải thiện khả năng diễn giải của mô hình

Chúng chứa thông tin ngữ nghĩa quan trọng

Chúng xuất hiện quá thường xuyên và ít đóng góp vào ý nghĩa của văn bản

Chúng gây khó khăn cho việc tokenization

Chúng chỉ xuất hiện trong các ngôn ngữ nhất định

Dịch một từ sang ngôn ngữ khác

Xác định nghĩa chính xác của một từ trong ngữ cảnh cụ thể, khi từ đó có nhiều nghĩa

Tìm từ đồng nghĩa và trái nghĩa của một từ

Phân tích cấu trúc ngữ pháp của câu chứa từ đó

Giảm chiều dữ liệu văn bản

Đánh trọng số cho các từ trong văn bản dựa trên tần suất xuất hiện của chúng trong tài liệu và toàn bộ tập tài liệu

Phân cụm các văn bản tương tự

Tìm dạng nguyên gốc của từ (lemma)

Dự đoán đầu ra từ đầu vào

Tính toán gradient của hàm mất mát và cập nhật trọng số của mạng

Khởi tạo trọng số ban đầu cho mạng

Giảm chiều dữ liệu đầu vào