Độ đo "Precision" (Độ chính xác) trong đánh giá mô hình NLP được tính như thế nào?

Biểu diễn từ dưới dạng vector số, giúp máy tính hiểu được quan hệ ngữ nghĩa giữa các từ

Loại bỏ các từ không quan trọng trong văn bản

Phân chia văn bản thành các câu

Đếm tần suất xuất hiện của các từ

Phân loại văn bản theo chủ đề

Xác định và phân loại các thực thể có tên (ví dụ: người, tổ chức, địa điểm) trong văn bản

Phân tích cảm xúc và thái độ trong văn bản

Tóm tắt nội dung chính của văn bản

Phân tích dữ liệu người dùng để cải thiện sản phẩm

Hiểu ngôn ngữ tự nhiên của người dùng và phản hồi một cách phù hợp

Tự động tạo ra nội dung quảng cáo

Theo dõi hành vi trực tuyến của người dùng

Xác định chủ đề của văn bản

Xác định cấu trúc ngữ pháp và quan hệ giữa các thành phần trong câu

Phân loại văn bản theo tình cảm (tích cực, tiêu cực, trung lập)

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác

Mã hóa token (Tokenization)

Loại bỏ từ dừng (Stop word removal)

Lemma hóa (Lemmatization)

Phân tích cú pháp (Parsing)

Dịch văn bản sang ngôn ngữ khác

Nhận dạng các thực thể có tên trong văn bản

Xác định cảm xúc, thái độ (ví dụ: tích cực, tiêu cực, trung lập) được thể hiện trong văn bản

Tạo ra văn bản mới dựa trên phong cách đã học

Stemming phức tạp hơn Lemmatization

Stemming chỉ đơn giản cắt bỏ hậu tố, có thể tạo ra từ không có nghĩa, còn Lemmatization đưa về dạng từ điển có nghĩa

Lemmatization nhanh hơn Stemming

Stemming chỉ áp dụng cho tiếng Anh, còn Lemmatization có thể dùng cho nhiều ngôn ngữ