1000+ câu Trắc nghiệm Nhập môn xử lý ngôn ngữ tự nhiên có đáp án - Phần 6

Dịch máy (Machine Translation).

Nhận dạng khuôn mặt (Facial Recognition).

Phân tích cảm xúc văn bản (Sentiment Analysis).

Trợ lý ảo (Chatbot).

Khả năng xử lý song song dữ liệu.

Khả năng ghi nhớ thông tin từ các bước xử lý trước đó trong chuỗi dữ liệu tuần tự.

Yêu cầu ít dữ liệu huấn luyện hơn.

Khả năng xử lý dữ liệu phi cấu trúc tốt hơn.

Phân tích cấu trúc câu về mặt hình thức (ví dụ: chủ ngữ, vị ngữ).

Hiểu ý nghĩa của từ, cụm từ, câu và văn bản.

Tách văn bản thành các từ riêng lẻ.

Chuyển đổi văn bản thành dạng vector số.

Phân tích cấu trúc ngữ pháp của câu.

Xác định và phân loại các thực thể có tên riêng trong văn bản (ví dụ: tên người, tổ chức, địa điểm).

Tìm ra mối quan hệ giữa các câu trong văn bản.

Tóm tắt nội dung chính của văn bản.

Tách từ (Tokenization).

Chuẩn hóa văn bản (Normalization).

Phân tích cảm xúc (Sentiment Analysis).

Loại bỏ stop words.

Bag-of-Words.

TF-IDF.

Word2Vec.

Regular Expression.

Dịch máy.

Phân tích cảm xúc và phân tích văn phong.

Tóm tắt văn bản.

Nhận dạng thực thể có tên riêng.

Accuracy.

Precision.

BLEU score.

F1-score.

Mô hình được huấn luyện mà không cần bất kỳ dữ liệu huấn luyện nào.

Mô hình có khả năng thực hiện các tác vụ hoặc phân loại các lớp mà nó chưa từng được huấn luyện trực tiếp trên dữ liệu của các lớp đó.

Mô hình được huấn luyện trên dữ liệu tổng hợp.

Mô hình chỉ được huấn luyện trên một lượng dữ liệu rất nhỏ.

Tạo ra câu trả lời tự nhiên và mạch lạc.

Xác định mục đích hoặc ý định của người dùng đằng sau câu hỏi hoặc yêu cầu của họ.

Lưu trữ lịch sử hội thoại với người dùng.

Đánh giá mức độ hài lòng của người dùng.

Tăng tốc độ huấn luyện mô hình.

Cho phép mô hình tập trung vào các phần quan trọng nhất của dữ liệu đầu vào khi xử lý.

Giảm thiểu hiện tượng overfitting.

Chuẩn hóa dữ liệu đầu vào.

Các từ mang ý nghĩa quan trọng nhất trong văn bản.

Các từ phổ biến, ít mang lại thông tin ngữ nghĩa trong nhiều ngữ cảnh, và thường được loại bỏ.

Các từ khóa được sử dụng để tìm kiếm thông tin.

Các từ mới xuất hiện gần đây trong ngôn ngữ.

Khả năng xử lý dữ liệu tuần tự tốt hơn.

Khả năng song song hóa tính toán tốt hơn, giúp huấn luyện nhanh hơn.

Yêu cầu ít dữ liệu huấn luyện hơn.

Độ chính xác trên các tác vụ phân loại văn bản cao hơn.

Biểu diễn văn bản dưới dạng đồ thị.

Lưu trữ và quản lý thông tin dưới dạng các thực thể và mối quan hệ giữa chúng, hỗ trợ suy luận và trả lời câu hỏi.

Phân tích mạng xã hội.

Trực quan hóa dữ liệu văn bản.

Loại bỏ các từ gây nhiễu trong văn bản.

Xác định nghĩa chính xác của một từ đa nghĩa trong ngữ cảnh cụ thể.

Tìm ra các từ đồng nghĩa và trái nghĩa.

Phân tích cấu trúc ngữ pháp của câu.

Phát triển các thuật toán để giải các bài toán tối ưu hóa.

Xây dựng hệ thống máy tính có khả năng hiểu, diễn giải và tạo ra ngôn ngữ của con người.

Nghiên cứu về cấu trúc dữ liệu và thuật toán hiệu quả.

Phát triển phần cứng máy tính mạnh mẽ hơn.

Giảm kích thước dữ liệu văn bản.

Chia văn bản thành các đơn vị nhỏ hơn, thường là từ hoặc cụm từ, để máy tính có thể xử lý.

Tìm ra chủ đề chính của văn bản.

Chuyển đổi văn bản sang dạng số.

Tăng tốc độ suy luận của mô hình.

Cho phép sử dụng mô hình đã được huấn luyện trên một lượng lớn dữ liệu cho các tác vụ mới với dữ liệu hạn chế hơn.

Giảm độ phức tạp của mô hình.

Cải thiện khả năng diễn giải của mô hình.

Phân tích cấu trúc ngữ pháp của câu.

Tìm ra các thực thể có tên riêng trong văn bản.

Chuẩn hóa các từ về dạng gốc của chúng.

Đếm tần suất xuất hiện của các từ trong văn bản.

Tìm ra các từ khóa quan trọng trong văn bản.

Phân tích cấu trúc ngữ pháp của câu và xác định vai trò của từng từ trong câu.

Dịch câu từ ngôn ngữ này sang ngôn ngữ khác.

Tóm tắt nội dung chính của văn bản.

Làm giảm tốc độ xử lý văn bản.

Khiến máy tính khó hiểu đúng ý nghĩa của văn bản do một từ hoặc cụm từ có thể có nhiều nghĩa.

Tăng kích thước dữ liệu văn bản.

Gây khó khăn trong việc loại bỏ stop words.

Phân tích cảm xúc văn bản.

Đo lường tầm quan trọng của một từ trong một tài liệu so với một tập hợp các tài liệu.

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.

Tạo ra các vector biểu diễn từ.

Phân loại tin nhắn spam.

Tự động tóm tắt văn bản thành đoạn văn bản ngắn gọn hơn.

Nhận dạng giọng nói thành văn bản.

Tìm kiếm thông tin trên web bằng từ khóa.

Một phương pháp biểu diễn từ thành vector số.

Một chuỗi gồm n từ liên tiếp trong văn bản.

Một loại mô hình ngôn ngữ dựa trên mạng nơ-ron.

Một kỹ thuật loại bỏ nhiễu trong dữ liệu văn bản.

Vì sarcasm và irony thường sử dụng ngôn ngữ hình thể.

Vì ý nghĩa bề mặt của câu chữ trái ngược với ý nghĩa thực sự muốn truyền đạt, đòi hỏi khả năng hiểu ngữ cảnh và ý định sâu sắc.

Vì sarcasm và irony hiếm khi xuất hiện trong văn bản.

Vì các mô hình NLP hiện tại không đủ mạnh mẽ để xử lý ngôn ngữ.

Độ chính xác của mô hình trong việc phân loại văn bản.

Khả năng dự đoán từ tiếp theo của mô hình ngôn ngữ; perplexity càng thấp, mô hình càng tốt.

Tốc độ huấn luyện của mô hình.

Kích thước của mô hình ngôn ngữ.

Phân loại văn bản theo thể loại.

Tìm ra các chủ đề ẩn trong một tập hợp văn bản lớn.

Dịch văn bản sang nhiều ngôn ngữ khác nhau.

Đánh giá mức độ tin cậy của thông tin trong văn bản.

Phân loại văn bản theo chủ đề.

Dự đoán từ tiếp theo trong một chuỗi văn bản.

Trích xuất thông tin từ văn bản.

Đánh giá mức độ tích cực hay tiêu cực của văn bản.

Số lượng từ vựng ít hơn.

Ngữ pháp đơn giản hơn.

Tính đa dạng về phương ngữ và cách diễn đạt vùng miền.

Ít tài liệu và nguồn dữ liệu huấn luyện hơn.

Bằng cách giữ nguyên thứ tự từ trong câu.

Bằng cách tạo ra một vector tần số từ, bỏ qua thứ tự từ và chỉ đếm số lần xuất hiện của mỗi từ.

Bằng cách sử dụng mạng nơ-ron để học biểu diễn văn bản.

Bằng cách mã hóa văn bản thành chuỗi nhị phân.