Đề 10 – Bài tập, đề thi trắc nghiệm online Xử lý ngôn ngữ tự nhiên

A A. Mô hình hoạt động kém trên cả dữ liệu huấn luyện và dữ liệu kiểm tra B B. Mô hình hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu kiểm tra C C. Mô hình hoạt động tốt trên cả dữ liệu huấn luyện và dữ liệu kiểm tra D D. Mô hình không hội tụ trong quá trình huấn luyện

A A. Mô hình Transformer B B. Mô hình RNN (Recurrent Neural Network) truyền thống C C. Mô hình n-gram D D. Mô hình dựa trên Bag-of-Words

A A. Vấn đề từ vựng không có trong từ điển (out-of-vocabulary words) B B. Vấn đề phụ thuộc tầm xa (long-range dependencies) trong câu C C. Vấn đề tốc độ xử lý chậm của mạng nơ-ron D D. Vấn đề thiếu dữ liệu huấn luyện

A A. Phân tích cảm xúc văn bản B B. Dịch máy tự động C C. Nhận dạng khuôn mặt D D. Tóm tắt văn bản tự động

A A. Word embeddings (ví dụ: Word2Vec, GloVe) B B. Biểu diễn túi từ (Bag-of-Words) C C. Mô hình ngôn ngữ dựa trên mạng nơ-ron D D. Cây cú pháp phụ thuộc (Dependency parse tree)

A A. Độ chính xác (Accuracy) B B. BLEU score (Bilingual Evaluation Understudy) C C. F1-score D D. Recall

A A. Tìm dạng nguyên gốc của từ (lemma) B B. Rút gọn từ về dạng gốc bằng cách loại bỏ các hậu tố và tiền tố C C. Phân tích cấu trúc ngữ pháp của câu D D. Phân loại văn bản dựa trên chủ đề

A A. Thứ tự xuất hiện của các từ trong văn bản B B. Tần suất xuất hiện của mỗi từ trong văn bản, bỏ qua thứ tự C C. Ngữ cảnh xuất hiện của các từ trong văn bản D D. Mối quan hệ ngữ pháp giữa các từ trong văn bản

A A. Tăng tốc độ huấn luyện B B. Giảm thiểu overfitting bằng cách ngẫu nhiên bỏ qua một số nơ-ron trong quá trình huấn luyện C C. Tăng kích thước mô hình D D. Cải thiện khả năng diễn giải của mô hình

A A. Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác B B. Tìm kiếm và truy xuất các tài liệu liên quan đến một truy vấn cụ thể từ một tập dữ liệu lớn C C. Phân tích cảm xúc của văn bản trên mạng xã hội D D. Tạo ra văn bản tóm tắt từ một tài liệu dài

A A. Tạo ra phản hồi văn bản tự động B B. Xác định mục đích hoặc mong muốn của người dùng thông qua đầu vào văn bản của họ C C. Lưu trữ lịch sử hội thoại với người dùng D D. Chuyển đổi văn bản thành giọng nói để chatbot 'nói chuyện'

A A. Stemming chậm hơn lemmatization B B. Lemmatization tạo ra gốc từ có nghĩa, trong khi stemming có thể tạo ra gốc từ không có nghĩa C C. Stemming sử dụng từ điển, lemmatization thì không D D. Lemmatization chỉ áp dụng cho tiếng Anh, stemming áp dụng cho nhiều ngôn ngữ hơn

A A. Đo khoảng cách giữa hai từ trong không gian vector B B. Đo mức độ tương tự về ngữ nghĩa giữa hai từ C C. Giảm chiều dữ liệu của word embeddings D D. Huấn luyện word embeddings từ dữ liệu văn bản

A A. Dịch văn bản sang ngôn ngữ khác B B. Xác định tất cả các biểu thức tham chiếu đến cùng một thực thể trong văn bản C C. Phân tích cấu trúc ngữ pháp của câu D D. Tóm tắt nội dung chính của văn bản

A A. Mỗi từ trong câu độc lập với các từ khác B B. Xác suất xuất hiện của một từ chỉ phụ thuộc vào n-1 từ đứng trước nó C C. Ngữ nghĩa của từ là yếu tố quan trọng nhất D D. Cấu trúc ngữ pháp của câu quyết định ý nghĩa

A A. Xử lý dữ liệu tuần tự theo thứ tự B B. Tập trung vào các phần khác nhau của **cùng một** chuỗi đầu vào khi xử lý mỗi vị trí C C. Tập trung vào chuỗi đầu vào khác khi tạo ra chuỗi đầu ra D D. Giảm chiều dữ liệu đầu vào

A A. Bộ lọc thư rác (Spam email filter) B B. Hệ thống đề xuất sản phẩm (Product recommendation system) C C. Trợ lý ảo (Virtual assistant) D D. Công cụ kiểm tra chính tả (Spell checker)

A A. Chuyển đổi văn bản thành giọng nói B B. Chia văn bản thành các đơn vị nhỏ hơn, ví dụ như từ hoặc cụm từ C C. Gán nhãn từ loại cho mỗi từ trong câu D D. Loại bỏ các từ dừng (stop words) khỏi văn bản

A A. Xác định cảm xúc chung của toàn bộ văn bản B B. Xác định cảm xúc đối với từng khía cạnh cụ thể được đề cập trong văn bản C C. Dịch văn bản sang ngôn ngữ khác trước khi phân tích cảm xúc D D. Sử dụng từ điển cảm xúc để phân tích cảm xúc

A A. Đánh giá chất lượng văn bản được tạo ra B B. Lựa chọn từ tiếp theo để tạo ra văn bản, dựa trên phân phối xác suất dự đoán của mô hình C C. Tiền xử lý dữ liệu huấn luyện D D. Tăng tốc độ tạo văn bản

A A. Phân tích cảm xúc của văn bản B B. Xác định và phân loại các thực thể có tên trong văn bản C C. Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác D D. Tóm tắt nội dung chính của văn bản

A A. Tốc độ xử lý của mô hình B B. Khả năng dự đoán từ tiếp theo của mô hình C C. Độ phức tạp của mô hình D D. Kích thước của mô hình

A A. Phân chia câu thành các cụm từ B B. Xác định mối quan hệ phụ thuộc giữa các từ trong câu, biểu diễn dưới dạng cây C C. Gán nhãn từ loại cho mỗi từ D D. Phân tích cảm xúc của câu

A A. Mã hóa one-hot B B. Phân tích thành phần chính (PCA) C C. Biểu diễn túi từ (Bag-of-Words) D D. Biểu diễn TF-IDF

A A. Phân cụm văn bản (Document clustering) B B. Mô hình hóa chủ đề (Topic modeling) C C. Phân loại cảm xúc (Sentiment classification) với dữ liệu gán nhãn D D. Giảm chiều dữ liệu (Dimensionality reduction)

A A. Giảm kích thước mô hình B B. 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 C C. Tăng tốc độ huấn luyện mô hình D D. Cải thiện khả năng diễn giải của mô hình

A A. Chúng chứa thông tin ngữ nghĩa quan trọng B B. Chúng xuất hiện quá thường xuyên và ít đóng góp vào ý nghĩa của văn bản C C. Chúng gây khó khăn cho việc tokenization D D. Chúng chỉ xuất hiện trong các ngôn ngữ nhất định

A A. Dịch một từ sang ngôn ngữ khác B B. Xác định nghĩa chính xác của một từ trong ngữ cảnh cụ thể, khi từ đó có nhiều nghĩa C C. Tìm từ đồng nghĩa và trái nghĩa của một từ D D. Phân tích cấu trúc ngữ pháp của câu chứa từ đó

A A. Giảm chiều dữ liệu văn bản B B. 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 C C. Phân cụm các văn bản tương tự D D. Tìm dạng nguyên gốc của từ (lemma)

A A. Dự đoán đầu ra từ đầu vào B B. Tính toán gradient của hàm mất mát và cập nhật trọng số của mạng C C. Khởi tạo trọng số ban đầu cho mạng D D. Giảm chiều dữ liệu đầu vào