Đề 7 – Bài tập, đề thi trắc nghiệm online Xử lý ngôn ngữ tự nhiên

A A. Chi phí phát triển mô hình NLP quá cao. B B. Khả năng NLP tạo ra các hệ thống thiên vị, phân biệt đối xử hoặc lan truyền thông tin sai lệch. C C. Sự phức tạp của thuật toán NLP. D D. Yêu cầu phần cứng mạnh mẽ để chạy mô hình NLP.

A A. Dịch các từ đồng nghĩa sang ngôn ngữ khác. B B. Xác định các cụm từ hoặc đại từ nào trong văn bản đề cập đến cùng một thực thể. C C. Phân loại các câu theo chủ đề. D D. Tóm tắt các đoạn văn bản dài.

A A. Các từ có tần suất xuất hiện thấp trong văn bản. B B. Các từ mang thông tin ngữ nghĩa quan trọng nhất. C C. Các từ phổ biến nhưng ít mang lại giá trị thông tin ngữ nghĩa (ví dụ: 'là', 'và', 'của'). D D. Các từ khóa chính xác định chủ đề của văn bản.

A A. Giữ lại thứ tự từ trong câu. B B. Đơn giản và dễ thực hiện. C C. Hiểu được ngữ cảnh của từ trong câu. D D. Xử lý tốt các từ đồng nghĩa và trái nghĩa.

A A. Tự động hóa quy trình sản xuất. B B. Phân tích phản hồi của khách hàng và cung cấp hỗ trợ tự động qua chatbot. C C. Quản lý kho hàng. D D. Thiết kế sản phẩm mới.

A A. Khó xử lý với dữ liệu văn bản lớn. B B. Không giữ được thông tin về thứ tự từ và ngữ cảnh. C C. Yêu cầu nhiều tài nguyên tính toán. D D. Chỉ hoạt động tốt với tiếng Anh.

A A. Phân tích cú pháp. B B. Sinh văn bản tự nhiên và mạch lạc. C C. Nhận dạng thực thể có tên. D D. Phân tích tình cảm.

A A. Phân tích cú pháp (Parsing). B B. Phân tích tình cảm (Sentiment Analysis). C C. Nén dữ liệu (Data Compression). D D. Nhận dạng thực thể có tên (Named Entity Recognition).

A A. Phân loại hình ảnh. B B. Xử lý dữ liệu tuần tự như văn bản hoặc chuỗi thời gian. C C. Phát hiện đối tượng trong ảnh. D D. Dự đoán giá cổ phiếu.

A A. Chẩn đoán hình ảnh y tế. B B. Phân tích hồ sơ bệnh án điện tử để cải thiện chăm sóc bệnh nhân. C C. Phẫu thuật robot. D D. Sản xuất thuốc.

A A. Chuyển đổi văn bản thành giọng nói. B B. Phân tích ý nghĩa ngữ nghĩa của câu. C C. Chia văn bản thành các đơn vị nhỏ hơn như từ hoặc cụm từ. D D. Loại bỏ các từ dừng (stop words) khỏi văn bản.

A A. Xác định cảm xúc chủ đạo trong văn bản. B B. Chuyển đổi văn bản sang định dạng khác. C C. Phân tích cấu trúc ngữ pháp của câu. D D. Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.

A A. Chỉ có thể sinh văn bản, không thể hiểu văn bản. B B. Được huấn luyện theo hướng đơn (unidirectional). C C. Được huấn luyện theo hướng song song (bidirectional), xem xét ngữ cảnh cả trước và sau của từ. D D. Chỉ hoạt động tốt với tiếng Anh.

A A. Phân tích cấu trúc ngữ pháp của câu. B B. Dự đoán xác suất xuất hiện của một chuỗi từ. C C. Phân loại văn bản theo chủ đề. D D. Nhận dạng các thực thể có tên trong văn bản.

A A. Cơ chế hồi quy (Recurrence). B B. Cơ chế chú ý (Attention). C C. Cơ chế tích chập (Convolution). D D. Cơ chế pooling (Pooling).

A A. Số lượng từ vựng hạn chế. B B. Sự khác biệt về ngữ pháp giữa các ngôn ngữ. C C. Một từ hoặc cụm từ có thể có nhiều nghĩa khác nhau tùy thuộc vào ngữ cảnh. D D. Khả năng xử lý số liệu kém của máy tính.

A A. Phân loại văn bản theo chủ đề. B B. Tìm kiếm các từ đồng nghĩa trong văn bản. C C. Rút gọn các từ về dạng gốc (stem) của chúng. D D. Đánh dấu các thực thể có tên trong văn bản.

A A. Khả năng dịch văn bản sang nhiều ngôn ngữ. B B. Khả năng hiểu ý nghĩa của từ và câu dựa trên môi trường xung quanh (văn bản trước và sau). C C. Khả năng tóm tắt văn bản dài thành ngắn gọn. D D. Khả năng nhận dạng giọng nói thành văn bản.

A A. Phân tích cấu trúc ngữ pháp của câu. B B. Xác định và phân loại các thực thể có tên trong văn bản (ví dụ: tên người, tổ chức, địa điểm). C C. Dịch các tên riêng sang ngôn ngữ khác. D D. Tìm kiếm các từ đồng nghĩa của tên riêng.

A A. Giảm kích thước dữ liệu văn bản. B B. Biểu diễn từ dưới dạng vector số thực, nắm bắt được ngữ nghĩa và quan hệ giữa các từ. C C. Tăng tốc độ xử lý văn bản. D D. Đơn giản hóa quá trình tiền xử lý văn bản.

A A. Tạo ra phản hồi bằng ngôn ngữ tự nhiên. B B. Xác định ý định của người dùng từ đầu vào ngôn ngữ tự nhiên. C C. Quản lý lịch sử hội thoại. D D. Kết nối với cơ sở dữ liệu để truy xuất thông tin.

A A. Term Frequency - Inverse Document Frequency; đo lường tầm quan trọng của từ trong văn bản. B B. Text Filtering - Information Dissemination Framework; lọc thông tin văn bản. C C. Topic Finding - Intent Detection Function; xác định chủ đề và ý định. D D. Transformation Function - Input Data Formatting; định dạng dữ liệu đầu vào.

A A. Sinh văn bản. B B. Phân loại văn bản. C C. Tóm tắt văn bản. D D. Dịch máy.

A A. Dịch máy tự động. B B. Nhận dạng khuôn mặt. C C. Chatbot và trợ lý ảo. D D. Phân tích tình cảm trên mạng xã hội.

A A. Xác định chủ đề chính của văn bản. B B. Đánh giá cảm xúc hoặc thái độ được thể hiện trong văn bản. C C. Dịch văn bản sang ngôn ngữ khác. D D. Tóm tắt nội dung chính của văn bản.

A A. Huấn luyện lại mô hình từ đầu với dữ liệu mới. B B. Tiếp tục huấn luyện mô hình đã được huấn luyện trước trên một tập dữ liệu cụ thể cho một tác vụ cụ thể. C C. Thay đổi kiến trúc mạng nơ-ron của mô hình. D D. Nén mô hình để giảm kích thước.

A A. Học mà không cần bất kỳ dữ liệu huấn luyện nào. B B. Thực hiện một tác vụ mà nó chưa từng được huấn luyện trực tiếp cho tác vụ đó. C C. Huấn luyện mô hình với dữ liệu tổng hợp. D D. Tăng tốc độ huấn luyện mô hình.

A A. Tốc độ dịch. B B. Độ chính xác ngữ pháp của bản dịch. C C. Mức độ tương đồng giữa bản dịch của máy và bản dịch tham khảo của con người. D D. Khả năng hiểu ngữ cảnh của mô hình.

A A. Thuật toán máy học để phân tích văn bản. B B. Cơ sở dữ liệu từ vựng ngữ nghĩa. C C. Công cụ dịch máy tự động. D D. Phương pháp đánh giá mô hình NLP.

A A. Phát triển phần cứng máy tính mạnh mẽ hơn. B B. Tương tác giữa máy tính và ngôn ngữ của con người. C C. Xây dựng các thuật toán tối ưu hóa cơ sở dữ liệu. D D. Thiết kế giao diện người dùng trực quan.