"Chunking" (phân đoạn cú pháp nông) là một bước trung gian trong phân tích cú pháp. Mục tiêu của chunking là gì?
Xác định mối quan hệ phụ thuộc giữa các từ trong câu.
Gán nhãn từ loại (POS tagging) cho mỗi từ trong câu.
Phân tích ý nghĩa ngữ nghĩa của câu.
Nhóm các từ liên tiếp thành các cụm từ cú pháp như cụm danh từ, cụm động từ.
Quảng cáo
Trả lời:
Giải bởi Vietjack
Chọn đáp án D
Đăng nhập để xem lời giải
Lưu tiến độ và luyện tập hiệu quả hơn. Hoàn toàn miễn phí!
Đang tải chế độ Học...
Hot: 1000+ đề thi giữa kì 1 lớp 1-12 đầy đủ các môn (Update 2026) (chỉ từ 60k). Tải ngay
Đăng ký VIP để học và luyện thi không giới hạn
Trọn bộ quyền lợi trên Vietjack, trong một tài khoản.
- Phòng luyện thi cấp tốc: ĐGNL - ĐGTD, Tốt nghiệp THPT, Ôn vào 10, Ôn vào 6, Ôn Giữa kì/Cuối kì
- Hơn 200K đề thi thử, đề minh hoạ, chính thức các năm
- Với 3tr+ câu hỏi theo các mức độ Nhận biết, Thông hiểu, Vận dụng
- Tải xuống đề thi [DOCX] với đầy đủ đáp án
- Xem hàng ngàn bài giảng đính kèm củng cố thêm kiến thức
- Bao gồm tất cả các bậc từ Tiểu học đến Đại học
- Chặn hiển thị quảng cáo tăng khả năng tập trung ôn luyện
- Đăng ký ngay
CÂU HỎI HOT CÙNG CHỦ ĐỀ
Câu 1
Mô hình huấn luyện chậm hơn.
Mô hình dễ bị "overfitting" hơn.
Mô hình tiêu thụ nhiều bộ nhớ hơn.
Mô hình khó học được các phụ thuộc dài hạn trong chuỗi văn bản, làm giảm khả năng xử lý văn bản dài.
Đăng nhập để xem lời giải
Lưu tiến độ và luyện tập hiệu quả hơn. Hoàn toàn miễn phí!
Lời giải
Chọn đáp án D
Câu 2
Dịch văn bản giữa nhiều ngôn ngữ khác nhau.
Huấn luyện mô hình trên dữ liệu đa ngôn ngữ cùng một lúc.
Chuyển giao kiến thức học được từ một ngôn ngữ (thường là ngôn ngữ có nhiều tài nguyên) sang một ngôn ngữ khác (thường là ngôn ngữ ít tài nguyên hơn).
Đánh giá mô hình NLP trên nhiều ngôn ngữ.
Đăng nhập để xem lời giải
Lưu tiến độ và luyện tập hiệu quả hơn. Hoàn toàn miễn phí!
Lời giải
Chọn đáp án C
Câu 3
BERT chỉ có thể xử lý văn bản tiếng Anh, trong khi Word2Vec và GloVe có thể xử lý đa ngôn ngữ.
BERT tạo ra biểu diễn từ theo ngữ cảnh (contextualized word embeddings), trong khi Word2Vec và GloVe tạo ra biểu diễn từ tĩnh (static word embeddings).
BERT sử dụng mạng nơ-ron hồi quy (RNN), trong khi Word2Vec và GloVe sử dụng mạng nơ-ron tích chập (CNN).
BERT đòi hỏi ít dữ liệu huấn luyện hơn so với Word2Vec và GloVe.
Đăng nhập để xem lời giải
Lưu tiến độ và luyện tập hiệu quả hơn. Hoàn toàn miễn phí!
Lời giải
Bạn cần đăng ký gói VIP ( giá chỉ từ 250K ) để làm bài, xem đáp án và lời giải chi tiết không giới hạn.
Câu 4
Phân tích cảm xúc trong văn bản.
Lưu trữ và truy xuất thông tin, hỗ trợ trả lời câu hỏi và suy luận.
Tạo ra văn bản tự động.
Dịch văn bản giữa các ngôn ngữ.
Đăng nhập để xem lời giải
Lưu tiến độ và luyện tập hiệu quả hơn. Hoàn toàn miễn phí!
Lời giải
Bạn cần đăng ký gói VIP ( giá chỉ từ 250K ) để làm bài, xem đáp án và lời giải chi tiết không giới hạn.
Câu 5
Giảm kích thước dữ liệu huấn luyện để tăng tốc độ huấn luyện.
Loại bỏ dữ liệu nhiễu khỏi tập huấn luyện.
Tạo ra các biến thể của dữ liệu hiện có (ví dụ: thay thế từ đồng nghĩa, xáo trộn câu) để tăng tính đa dạng của tập huấn luyện.
Chia nhỏ dữ liệu huấn luyện thành các phần nhỏ hơn để huấn luyện song song.
Đăng nhập để xem lời giải
Lưu tiến độ và luyện tập hiệu quả hơn. Hoàn toàn miễn phí!
Lời giải
Bạn cần đăng ký gói VIP ( giá chỉ từ 250K ) để làm bài, xem đáp án và lời giải chi tiết không giới hạn.
Câu 6
Giảm chiều dữ liệu văn bản hiệu quả hơn.
Nắm bắt được mối quan hệ ngữ nghĩa giữa các từ.
Tăng tốc độ xử lý văn bản trong các mô hình NLP.
Đơn giản hóa quá trình tiền xử lý văn bản.
Đăng nhập để xem lời giải
Lưu tiến độ và luyện tập hiệu quả hơn. Hoàn toàn miễn phí!
Lời giải
Bạn cần đăng ký gói VIP ( giá chỉ từ 250K ) để làm bài, xem đáp án và lời giải chi tiết không giới hạn.
Đăng ký để học cùng Vietjack. Hoàn toàn miễn phí!
Bằng việc đăng ký, bạn đồng ý với Điều khoản sử dụng và Chính sách bảo mật của Vietjack.
Nhắn tin Zalo
Hỏi bài tập