Phương pháp "TF-IDF" (Term Frequency-Inverse Document Frequency) được sử dụng để làm gì trong NLP?

Stemming (cắt gốc từ)

Lemmatization (nguyên mẫu hóa)

Tokenization (tách từ)

Stop word removal (loại bỏ từ dừng)

Câu này thể hiện tình cảm tích cực.

Câu này thể hiện tình cảm tiêu cực.

Câu này thể hiện tình cảm hỗn hợp (vừa tích cực, vừa tiêu cực).

Câu này không thể hiện tình cảm rõ ràng.

Mạng nơ-ron hồi quy (Recurrent Neural Network - RNN).

Mạng nơ-ron tích chập (Convolutional Neural Network - CNN).

Mạng nơ-ron truyền thẳng (Feedforward Neural Network).

Mạng nơ-ron tự tổ chức (Self-Organizing Map - SOM).

Giảm độ phức tạp tính toán của mô hình.

Cho phép mô hình tập trung vào các phần liên quan của câu khi xử lý thông tin.

Tăng tốc độ hội tụ của mô hình trong quá trình huấn luyện.

Cải thiện khả năng biểu diễn từ vựng của mô hình.

Vị trí của từ trong câu.

Tần suất xuất hiện của từ trong văn bản.

Ý nghĩa ngữ nghĩa của từ.

Mối quan hệ cú pháp giữa các từ.

Word Embedding tạo ra vectơ thưa thớt, tiết kiệm bộ nhớ hơn.

Word Embedding tính toán nhanh hơn Bag-of-Words.

Word Embedding thể hiện được mối quan hệ ngữ nghĩa giữa các từ.

Word Embedding không yêu cầu tiền xử lý văn bản phức tạp.

Khả năng dịch ngôn ngữ theo thời gian thực.

Khả năng sinh văn bản tự động.

Khả năng phân loại hình ảnh.

Khả năng hiểu ngữ cảnh từ theo cả hai hướng (trái và phải) trong câu.