Đề 1 – Bài tập, đề thi trắc nghiệm online Xử lý ngôn ngữ tự nhiên

A A. Dịch máy (Machine Translation). B B. Nhận dạng khuôn mặt (Facial Recognition). C C. Phân tích cảm xúc văn bản (Sentiment Analysis). D D. Trợ lý ảo (Chatbot).

A A. Khả năng xử lý song song dữ liệu. B B. Khả năng ghi nhớ thông tin từ các bước xử lý trước đó trong chuỗi dữ liệu tuần tự. C C. Yêu cầu ít dữ liệu huấn luyện hơn. D D. Khả năng xử lý dữ liệu phi cấu trúc tốt hơn.

A A. Phân tích cấu trúc câu về mặt hình thức (ví dụ: chủ ngữ, vị ngữ). B B. Hiểu ý nghĩa của từ, cụm từ, câu và văn bản. C C. Tách văn bản thành các từ riêng lẻ. D D. Chuyển đổi văn bản thành dạng vector số.

A A. Phân tích cấu trúc ngữ pháp của câu. B B. Xác định và phân loại các thực thể có tên riêng trong văn bản (ví dụ: tên người, tổ chức, địa điểm). C C. Tìm ra mối quan hệ giữa các câu trong văn bản. D D. Tóm tắt nội dung chính của văn bản.

A A. Tách từ (Tokenization). B B. Chuẩn hóa văn bản (Normalization). C C. Phân tích cảm xúc (Sentiment Analysis). D D. Loại bỏ stop words.

A A. Bag-of-Words. B B. TF-IDF. C C. Word2Vec. D D. Regular Expression.

A A. Dịch máy. B B. Phân tích cảm xúc và phân tích văn phong. C C. Tóm tắt văn bản. D D. Nhận dạng thực thể có tên riêng.

A A. Accuracy. B B. Precision. C C. BLEU score. D D. F1-score.

A A. Mô hình được huấn luyện mà không cần bất kỳ dữ liệu huấn luyện nào. B B. 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. C C. Mô hình được huấn luyện trên dữ liệu tổng hợp. D D. Mô hình chỉ được huấn luyện trên một lượng dữ liệu rất nhỏ.

A A. Tạo ra câu trả lời tự nhiên và mạch lạc. B B. Xác định mục đích hoặc ý định của người dùng đằng sau câu hỏi hoặc yêu cầu của họ. C C. Lưu trữ lịch sử hội thoại với người dùng. D D. Đánh giá mức độ hài lòng của người dùng.

A A. Tăng tốc độ huấn luyện mô hình. B B. Cho phép mô hình tập trung vào các phần quan trọng nhất của dữ liệu đầu vào khi xử lý. C C. Giảm thiểu hiện tượng overfitting. D D. Chuẩn hóa dữ liệu đầu vào.

A A. Các từ mang ý nghĩa quan trọng nhất trong văn bản. B B. Các từ phổ biến, ít mang lại thông tin ngữ nghĩa trong nhiều ngữ cảnh, và thường được loại bỏ. C C. Các từ khóa được sử dụng để tìm kiếm thông tin. D D. Các từ mới xuất hiện gần đây trong ngôn ngữ.

A A. Khả năng xử lý dữ liệu tuần tự tốt hơn. B B. Khả năng song song hóa tính toán tốt hơn, giúp huấn luyện nhanh hơn. C C. Yêu cầu ít dữ liệu huấn luyện hơn. D D. Độ chính xác trên các tác vụ phân loại văn bản cao hơn.

A A. Biểu diễn văn bản dưới dạng đồ thị. B B. 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. C C. Phân tích mạng xã hội. D D. Trực quan hóa dữ liệu văn bản.

A A. Loại bỏ các từ gây nhiễu trong văn bản. B B. Xác định nghĩa chính xác của một từ đa nghĩa trong ngữ cảnh cụ thể. C C. Tìm ra các từ đồng nghĩa và trái nghĩa. D D. Phân tích cấu trúc ngữ pháp của câu.

A A. Phát triển các thuật toán để giải các bài toán tối ưu hóa. B B. Xây dựng hệ thống máy tính có khả năng hiểu, diễn giải và tạo ra ngôn ngữ của con người. C C. Nghiên cứu về cấu trúc dữ liệu và thuật toán hiệu quả. D D. Phát triển phần cứng máy tính mạnh mẽ hơn.

A A. Giảm kích thước dữ liệu văn bản. B B. Chia văn bản thành các đơn vị nhỏ hơn, thường là từ hoặc cụm từ, để máy tính có thể xử lý. C C. Tìm ra chủ đề chính của văn bản. D D. Chuyển đổi văn bản sang dạng số.

A A. Tăng tốc độ suy luận của mô hình. B B. 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. C C. Giảm độ phức tạp của mô hình. D D. Cải thiện khả năng diễn giải của mô hình.

A A. Phân tích cấu trúc ngữ pháp của câu. B B. Tìm ra các thực thể có tên riêng trong văn bản. C C. Chuẩn hóa các từ về dạng gốc của chúng. D D. Đếm tần suất xuất hiện của các từ trong văn bản.

A A. Tìm ra các từ khóa quan trọng trong văn bản. B B. Phân tích cấu trúc ngữ pháp của câu và xác định vai trò của từng từ trong câu. C C. Dịch câu từ ngôn ngữ này sang ngôn ngữ khác. D D. Tóm tắt nội dung chính của văn bản.

A A. Làm giảm tốc độ xử lý văn bản. B B. Khiến máy tính khó hiểu đúng ý nghĩa của văn bản do một từ hoặc cụm từ có thể có nhiều nghĩa. C C. Tăng kích thước dữ liệu văn bản. D D. Gây khó khăn trong việc loại bỏ stop words.

A A. Phân tích cảm xúc văn bản. B B. Đo lường tầm quan trọng của một từ trong một tài liệu so với một tập hợp các tài liệu. C C. Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác. D D. Tạo ra các vector biểu diễn từ.

A A. Phân loại tin nhắn spam. B B. Tự động tóm tắt văn bản thành đoạn văn bản ngắn gọn hơn. C C. Nhận dạng giọng nói thành văn bản. D D. Tìm kiếm thông tin trên web bằng từ khóa.

A A. Một phương pháp biểu diễn từ thành vector số. B B. Một chuỗi gồm n từ liên tiếp trong văn bản. C C. Một loại mô hình ngôn ngữ dựa trên mạng nơ-ron. D D. Một kỹ thuật loại bỏ nhiễu trong dữ liệu văn bản.

A A. Vì sarcasm và irony thường sử dụng ngôn ngữ hình thể. B B. 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. C C. Vì sarcasm và irony hiếm khi xuất hiện trong văn bản. D D. Vì các mô hình NLP hiện tại không đủ mạnh mẽ để xử lý ngôn ngữ.

A A. Độ chính xác của mô hình trong việc phân loại văn bản. B B. Khả năng dự đoán từ tiếp theo của mô hình ngôn ngữ; perplexity càng thấp, mô hình càng tốt. C C. Tốc độ huấn luyện của mô hình. D D. Kích thước của mô hình ngôn ngữ.

A A. Phân loại văn bản theo thể loại. B B. Tìm ra các chủ đề ẩn trong một tập hợp văn bản lớn. C C. Dịch văn bản sang nhiều ngôn ngữ khác nhau. D D. Đánh giá mức độ tin cậy của thông tin trong văn bản.

A A. Phân loại văn bản theo chủ đề. B B. Dự đoán từ tiếp theo trong một chuỗi văn bản. C C. Trích xuất thông tin từ văn bản. D D. Đánh giá mức độ tích cực hay tiêu cực của văn bản.

A A. Số lượng từ vựng ít hơn. B B. Ngữ pháp đơn giản hơn. C C. Tính đa dạng về phương ngữ và cách diễn đạt vùng miền. D D. Ít tài liệu và nguồn dữ liệu huấn luyện hơn.

A A. Bằng cách giữ nguyên thứ tự từ trong câu. B B. Bằng cách tạo ra một vector tần số từ, bỏ qua thứ tự từ và chỉ đếm số lần xuất hiện của mỗi từ. C C. Bằng cách sử dụng mạng nơ-ron để học biểu diễn văn bản. D D. Bằng cách mã hóa văn bản thành chuỗi nhị phân.