Đề 5 – Bài tập, đề thi trắc nghiệm online Xử lý ngôn ngữ tự nhiên

A A. Convolutional Neural Network (CNN). B B. Recurrent Neural Network (RNN). C C. Attention mechanism (cơ chế chú ý). D D. Support Vector Machine (SVM).

A A. Khả năng của ngôn ngữ tự nhiên có nhiều cách diễn đạt cùng một ý. B B. Việc máy tính không thể hiểu được ngôn ngữ của con người. C C. Việc một từ hoặc cụm từ có thể có nhiều hơn một nghĩa. D D. Sự khác biệt giữa ngôn ngữ nói và ngôn ngữ viết.

A A. Tiền xử lý dữ liệu văn bản. B B. Tính toán và cập nhật trọng số của mạng để giảm thiểu lỗi dự đoán. C C. Tối ưu hóa tốc độ xử lý của mạng. D D. Trực quan hóa kết quả của mô hình.

A A. Một loại mô hình mạng nơ-ron. B B. Một chuỗi gồm n từ liên tiếp trong văn bản. C C. Một phương pháp đánh giá chất lượng bản dịch. D D. Một thuật toán phân tích cảm xúc.

A A. Loại bỏ dấu thanh. B B. Tách từ tiếng Việt (word segmentation). C C. Chuyển đổi chữ hoa thành chữ thường. D D. Loại bỏ số và ký tự đặc biệt.

A A. Ý nghĩa của từ trong ngữ cảnh. B B. Chức năng ngữ pháp của từ (ví dụ: danh từ, động từ, tính từ). C C. Tần suất xuất hiện của từ trong văn bản. D D. Cảm xúc mà từ đó thể hiện.

A A. Học từ dữ liệu không có nhãn. B B. Thực hiện nhiệm vụ mà không cần được huấn luyện trực tiếp trên nhiệm vụ đó. C C. Học nhanh chóng từ một lượng nhỏ dữ liệu. D D. Hoạt động hiệu quả trên các thiết bị có tài nguyên hạn chế.

A A. Tiếng Việt không có bảng chữ cái. B B. Tiếng Việt là ngôn ngữ đơn âm tiết và giàu biến tố. C C. Tiếng Việt là ngôn ngữ phân tích tính, có nhiều từ ghép và biến thể ngữ pháp phức tạp. D D. Thiếu dữ liệu huấn luyện và tài nguyên ngôn ngữ tiếng Việt quy mô lớn.

A A. Nhận dạng giọng nói của người dùng. B B. Xác định ý định của người dùng. C C. Theo dõi trạng thái hội thoại và quyết định phản hồi phù hợp tiếp theo. D D. Tạo ra văn bản phản hồi tự nhiên.

A A. Chuyển đổi văn bản thành giọng nói. B B. Phân tích ý nghĩa của văn bản. C C. Chuyển đổi giọng nói của con người thành văn bản. D D. Dịch giọng nói từ ngôn ngữ này sang ngôn ngữ khác.

A A. Xây dựng các hệ thống cơ khí tự động hóa quy trình sản xuất. B B. Phát triển các thuật toán khai thác dữ liệu từ cơ sở dữ liệu quan hệ. C C. Giúp máy tính hiểu, diễn giải và tạo ra ngôn ngữ của con người. D D. Thiết kế giao diện người dùng trực quan cho các ứng dụng web.

A A. Chatbot hỗ trợ khách hàng. B B. Hệ thống nhận diện khuôn mặt. C C. Công cụ dịch máy. D D. Phần mềm kiểm tra chính tả và ngữ pháp.

A A. Phân tích cảm xúc của văn bản. B B. Nhận diện và phân loại các thực thể có tên trong văn bản (ví dụ: tên người, tổ chức, địa điểm). C C. Tóm tắt nội dung chính của văn bản. D D. Dịch văn bản sang ngôn ngữ khác.

A A. Mô hình phân loại văn bản. B B. Mô hình ngôn ngữ. C C. Mô hình nhận dạng thực thể có tên. D D. Mô hình dịch máy.

A A. Stemming. B B. Lemmatization. C C. Subword tokenization (ví dụ: Byte-Pair Encoding). D D. Stop word removal.

A A. Tạo ra phản hồi tự nhiên và phù hợp. B B. Xác định mục đích hoặc ý định của người dùng thông qua câu hỏi hoặc lệnh của họ. C C. Chuyển đổi văn bản thành giọng nói. D D. Phân tích cảm xúc của người dùng.

A A. Tính mạch lạc của văn bản sinh ra. B B. Độ đa dạng của từ vựng sử dụng. C C. Mức độ trùng lặp của n-gram giữa văn bản sinh ra và văn bản tham khảo. D D. Tính chính xác ngữ pháp của văn bản sinh ra.

A A. Mô hình hoạt động kém hiệu quả hơn. B B. Mô hình đưa ra các dự đoán không công bằng hoặc phân biệt đối xử với một số nhóm người. C C. Mô hình khó diễn giải kết quả hơn. D D. Mô hình yêu cầu nhiều tài nguyên tính toán hơn.

A A. Phân tích cấu trúc ngữ pháp của câu. B B. Dự đoán xác suất xuất hiện của một chuỗi từ trong ngôn ngữ. C C. Biên dịch mã chương trình. D D. Tạo ra hình ảnh từ mô tả văn bản.

A A. Cải thiện tốc độ dịch máy. B B. Tăng cường dữ liệu huấn luyện cho dịch máy, đặc biệt là khi dữ liệu song ngữ hạn chế. C C. Đánh giá chất lượng bản dịch máy. D D. Tạo ra giao diện người dùng đa ngôn ngữ.

A A. Lemmatization nhanh hơn stemming. B B. Lemmatization cho ra gốc từ có nghĩa (lemma), trong khi stemming có thể tạo ra gốc từ không có nghĩa. C C. Stemming sử dụng từ điển, còn lemmatization sử dụng quy tắc. D D. Stemming chính xác hơn lemmatization.

A A. Tìm ra gốc từ của một từ bằng cách loại bỏ các hậu tố và tiền tố. B B. Thay thế từ bằng từ đồng nghĩa. C C. Phân loại văn bản theo chủ đề. D D. Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.

A A. Biến đổi văn bản thành giọng nói. B B. Phân chia văn bản thành các đơn vị nhỏ hơn, ví dụ như từ hoặc cụm từ. C C. Gán nhãn ngữ pháp cho từng từ trong câu. D D. Loại bỏ các từ dừng (stop words) khỏi văn bản.

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

A A. Thời gian phản hồi của hệ thống. B B. Số lượng câu hỏi được xử lý đồng thời. C C. Phần văn bản xung quanh vị trí câu trả lời tiềm năng mà mô hình xem xét. D D. Giao diện người dùng của hệ thống QA.

A A. Xác định chủ đề chính của văn bản. B B. Đánh giá mức độ tích cực, tiêu cực hoặc trung lập của văn bản đối với một chủ đề cụ thể. C C. Phân loại văn bản theo thể loại (ví dụ: tin tức, bài đánh giá, blog). D D. Tìm kiếm thông tin liên quan trong văn bản.

A A. Các quy tắc ngữ pháp. B B. Các vector số trong không gian nhiều chiều. C C. Các cây cú pháp. D D. Các biểu đồ quan hệ giữa các từ.

A A. Phân loại văn bản theo cảm xúc. B B. Khám phá các chủ đề ẩn chứa trong một tập hợp văn bản. C C. Tóm tắt nội dung chính của văn bản. D D. Dịch văn bản sang ngôn ngữ khác.

A A. Tăng độ chính xác của phân tích cú pháp. B B. Giảm kích thước dữ liệu và tăng tốc độ xử lý. C C. Cải thiện khả năng dịch máy. D D. Làm cho văn bản dễ đọc hơn đối với con người.

A A. Phân tích cú pháp của câu. B B. Tính toán tầm quan trọng của một từ trong một tài liệu so với một tập hợp tài liệu. C C. Tạo ra word embeddings. D D. Phân loại văn bản theo chủ đề.