Đề 4 – Bài tập, đề thi trắc nghiệm online Xử lý ngôn ngữ tự nhiên

A A. Phân tích cảm xúc (Sentiment Analysis) của khách hàng về sản phẩm. B B. Dự báo thời tiết dựa trên dữ liệu lịch sử. C C. Dịch máy (Machine Translation) giữa các ngôn ngữ khác nhau. D D. Trợ lý ảo (Chatbot) trả lời câu hỏi của người dùng.

A A. Phân tích ý nghĩa của từ trong ngữ cảnh. B B. Mô tả cú pháp của ngôn ngữ bằng các quy tắc độc lập với ngữ cảnh. C C. Xử lý các ngôn ngữ không có cấu trúc ngữ pháp rõ ràng. D D. Tạo ra văn bản tự động.

A A. Phân tích cấu trúc ngữ pháp phức tạp. B B. Tìm kiếm và xử lý mẫu văn bản, ví dụ: tìm email, số điện thoại, hoặc chuẩn hóa định dạng ngày tháng. C C. Xây dựng mô hình ngôn ngữ. D D. Phân loại văn bản.

A A. Stemming nhanh hơn Lemmatization về tốc độ xử lý. B B. Lemmatization tạo ra từ gốc có nghĩa (lemma) và dựa trên từ điển, trong khi Stemming có thể tạo ra từ gốc không có nghĩa. C C. Stemming phù hợp với tiếng Anh hơn Lemmatization. D D. Lemmatization dễ cài đặt và sử dụng hơn Stemming.

A A. Loại bỏ Stop words. B B. Phân tích cảm xúc. C C. Chuyển đổi về chữ thường (Lowercasing). D D. Tokenization.

A A. Xây dựng robot giáo viên vật lý. B B. Hệ thống chấm điểm tự động bài luận và bài kiểm tra viết. C C. Thiết kế chương trình học ngoại ngữ. D D. Nghiên cứu về tâm lý học sinh viên.

A A. Có tần suất xuất hiện rất thấp trong văn bản. B B. Thường xuyên xuất hiện trong văn bản nhưng ít mang ý nghĩa về mặt nội dung (ví dụ: 'là', 'và', 'của'). C C. Chứa lỗi chính tả. D D. Được sử dụng để đánh dấu sự kết thúc của một câu.

A A. Độ phức tạp của mô hình. B B. Kích thước dữ liệu huấn luyện có sẵn và yêu cầu về hiệu suất (độ chính xác, tốc độ) của bài toán. C C. Ngôn ngữ lập trình được sử dụng để xây dựng mô hình. D D. Số lượng tham số của mô hình.

A A. Chuyển đổi văn bản thành chữ thường. B B. Chia văn bản thành các đơn vị nhỏ hơn, thường là từ hoặc câu. C C. Loại bỏ các dấu câu và ký tự đặc biệt. D D. Sửa lỗi chính tả trong văn bản.

A A. Tìm ra từ gốc của một từ bằng cách loại bỏ các hậu tố và tiền tố. B B. Phân loại văn bản vào các chủ đề khác nhau. C C. Chuyển đổi văn bản thành giọng nói. D D. Đánh dấu các thành phần ngữ pháp của từ (ví dụ: danh từ, động từ).

A A. Phân tích cấu trúc ngữ pháp của câu. B B. Phân chia văn bản thành các đoạn có nghĩa. C C. Tạo ra các chuỗi gồm N từ liên tiếp trong văn bản, hữu ích cho việc xây dựng mô hình ngôn ngữ và các tác vụ khác. D D. Tìm kiếm các từ đồng nghĩa.

A A. Xác định chủ đề chính của một đoạn văn bản. B B. Phân loại ý kiến hoặc thái độ thể hiện trong văn bản là tích cực, tiêu cực hay trung tính. C C. Tóm tắt nội dung chính của một bài báo. D D. Dịch văn bản sang ngôn ngữ khác.

A A. Yêu cầu lượng dữ liệu huấn luyện rất lớn để đạt hiệu quả. B B. Không giữ được thông tin về thứ tự của từ trong câu, làm mất đi ngữ cảnh và mối quan hệ giữa các từ. C C. Chỉ phù hợp với ngôn ngữ tiếng Anh, không hoạt động tốt với các ngôn ngữ khác. D D. Khó khăn trong việc xử lý các từ đồng nghĩa và đa nghĩa.

A A. Sự phát triển quá nhanh của công nghệ phần cứng. B B. Tính mơ hồ và đa nghĩa của ngôn ngữ con người (ví dụ: từ đồng âm, chơi chữ, ẩn dụ). C C. Sự thiếu hụt dữ liệu văn bản để huấn luyện mô hình. D D. Chi phí cao để phát triển các thuật toán NLP.

A A. Tìm kiếm các từ khóa quan trọng trong văn bản. B B. Xác định và phân loại các thực thể có tên (ví dụ: tên người, địa điểm, tổ chức) trong văn bản. C C. Phân tích cảm xúc của người viết. D D. Tóm tắt văn bản.

A A. Một thuật toán cụ thể để xử lý ngôn ngữ. B B. Một tập hợp lớn các văn bản được sử dụng để huấn luyện mô hình ngôn ngữ hoặc đánh giá hiệu suất của hệ thống NLP. C C. Một thư viện phần mềm chứa các công cụ NLP. D D. Một phương pháp để biểu diễn từ thành vector số.

A A. Phân tích cảm xúc của văn bản. B B. Đo lường tầm quan trọng của một từ trong một văn bản so với một tập hợp các văn bản (corpus). C C. Phân loại văn bản theo chủ đề. D D. Tóm tắt văn bản.

A A. Giảm kích thước bộ từ vựng cần xử lý. B B. Biểu diễn từ thành các vector số, thể hiện mối quan hệ ngữ nghĩa giữa các từ và giữ lại một phần thông tin ngữ cảnh. C C. Tăng tốc độ xử lý văn bản. D D. Cải thiện khả năng phát hiện lỗi chính tả trong văn bản.

A A. Tự động hóa quy trình phẫu thuật. B B. Phân tích bệnh án điện tử để hỗ trợ chẩn đoán và điều trị. C C. Kiểm soát chất lượng thuốc. D D. Nghiên cứu về cấu trúc DNA.

A A. K-means Clustering. B B. Support Vector Machine (SVM). C C. Principal Component Analysis (PCA). D D. Linear Regression.

A A. Phát triển phần cứng máy tính có khả năng suy nghĩ như con người. B B. Xây dựng các hệ thống máy tính có thể hiểu, diễn giải và tạo ra ngôn ngữ của con người. C C. Nghiên cứu về cấu trúc và lịch sử của các ngôn ngữ tự nhiên khác nhau trên thế giới. D D. Phân tích dữ liệu lớn để tìm ra các mẫu ngôn ngữ phổ biến trong văn bản.

A A. Hệ thống phân tích cảm xúc. B B. Hệ thống dịch máy. C C. Hệ thống tóm tắt văn bản. D D. Hệ thống chatbot.

A A. Tự động hóa quy trình xét xử tại tòa án. B B. Phân tích văn bản pháp luật và hợp đồng để tìm kiếm thông tin quan trọng hoặc phát hiện rủi ro. C C. Dự đoán tội phạm. D D. Kiểm soát an ninh tại các phiên tòa.

A A. Xác định ý nghĩa của từ trong ngữ cảnh cụ thể. B B. Chia văn bản thành các đơn vị nhỏ hơn như từ hoặc câu. C C. Phân tích cấu trúc ngữ pháp của câu để hiểu mối quan hệ giữa các từ. D D. Chuyển đổi văn bản từ dạng nói sang dạng viết.

A A. Tự động hóa quá trình sản xuất hàng hóa. B B. Phân tích đánh giá sản phẩm của khách hàng để cải thiện chất lượng dịch vụ. C C. Quản lý kho hàng. D D. Vận chuyển hàng hóa.

A A. Tăng tốc độ dịch văn bản. B B. Cho phép mô hình dịch tập trung vào các phần quan trọng của câu nguồn khi dịch sang ngôn ngữ đích, cải thiện chất lượng dịch. C C. Giảm dung lượng bộ nhớ cần thiết để dịch. D D. Tự động phát hiện và sửa lỗi chính tả trong văn bản nguồn.

A A. Tốc độ xử lý ngôn ngữ quá chậm. B B. Khả năng hiểu và phản hồi một cách tự nhiên và phù hợp với ngữ cảnh, đặc biệt là với các câu hỏi phức tạp hoặc không rõ ràng. C C. Chi phí lưu trữ dữ liệu hội thoại quá lớn. D D. Sự thiếu hụt các công cụ phát triển chatbot.

A A. Phân loại văn bản theo chủ đề. B B. Gán nhãn ngữ pháp (ví dụ: danh từ, động từ, tính từ) cho mỗi từ trong câu. C C. Dịch văn bản sang ngôn ngữ khác. D D. Tóm tắt nội dung văn bản.

A A. Stemming và Lemmatization. B B. Bag-of-Words và TF-IDF. C C. Extractive summarization (Tóm tắt trích xuất) và Abstractive summarization (Tóm tắt trừu tượng). D D. POS Tagging và NER.

A A. Phân tích cấu trúc ngữ pháp của câu. B B. Dự đoán xác suất xuất hiện của một chuỗi từ hoặc từ tiếp theo trong một câu. C C. Tìm kiếm thông tin trong văn bản. D D. Tạo ra hình ảnh từ mô tả văn bản.