1000+ câu Trắc nghiệm Nhập môn xử lý ngôn ngữ tự nhiên có đáp án - Phần 7

Mô hình được huấn luyện trên dữ liệu quá lớn.

Mô hình học quá kỹ dữ liệu huấn luyện, dẫn đến hiệu suất kém trên dữ liệu mới.

Mô hình quá đơn giản và không đủ khả năng học các mẫu phức tạp.

Dữ liệu huấn luyện không đủ đa dạng.

Độ chính xác của việc phân loại văn bản.

Khả năng dự đoán từ tiếp theo của một mô hình ngôn ngữ (perplexity thấp hơn thì mô hình tốt hơn).

Tốc độ xử lý văn bản của mô hình.

Mức độ phức tạp của mô hình.

Giảm kích thước dữ liệu văn bản.

Nắm bắt thông tin về trình tự từ bằng cách xem xét chuỗi n từ liên tiếp.

Phân tích cảm xúc của từng từ riêng lẻ.

Dịch văn bản theo từng từ.

BLEU (Bilingual Evaluation Understudy).

ROUGE (Recall-Oriented Understudy for Gisting Evaluation).

Perplexity.

METEOR (Metric for Evaluation of Translation with Explicit Ordering).

Theo thứ tự xuất hiện của các từ trong văn bản.

Như một tập hợp các từ, bỏ qua thứ tự và chỉ đếm tần suất xuất hiện của mỗi từ.

Theo cấu trúc ngữ pháp của câu.

Dựa trên mối quan hệ ngữ nghĩa giữa các từ.

Tốc độ tính toán của máy tính quá chậm.

Sự mơ hồ và đa dạng của ngôn ngữ loài người (ví dụ: từ đồng âm, nghĩa bóng, ngữ cảnh).

Thiếu dữ liệu văn bản để huấn luyện mô hình.

Giao diện người dùng của các công cụ NLP quá phức tạp.

Phát triển phần cứng máy tính nhanh hơn.

Tương tác giữa máy tính và ngôn ngữ loài người.

Thiết kế cơ sở dữ liệu lớn.

Xây dựng hệ thống mạng phức tạp.

Chuyển đổi văn bản thành giọng nói.

Phân chia văn bản thành các đơn vị nhỏ hơn như từ hoặc cụm từ.

Loại bỏ các từ dừng (stop words) khỏi văn bản.

Gán nhãn ngữ pháp cho các từ trong câu.

Hỗ trợ khách hàng trực tuyến.

Điều khiển robot phẫu thuật.

Cung cấp thông tin và trả lời câu hỏi.

Thu thập phản hồi của người dùng.

Dự đoán từ tiếp theo trong câu.

Phát hiện các chủ đề ẩn trong một tập hợp văn bản.

Phân tích cảm xúc của văn bản.

Dịch văn bản sang ngôn ngữ khác.

Giảm độ phức tạp tính toán của các mô hình NLP.

Cải thiện đáng kể hiệu suất trong nhiều tác vụ NLP, đặc biệt là dịch máy và sinh văn bản, nhờ cơ chế 'attention'.

Đơn giản hóa quá trình tiền xử lý dữ liệu.

Tăng cường khả năng nhận dạng hình ảnh trong NLP.

Nhận dạng hình ảnh.

Xử lý dữ liệu chuỗi tuần tự như ngôn ngữ (ví dụ: dịch máy, sinh văn bản, phân tích cảm xúc).

Phân loại dữ liệu dạng bảng.

Dự báo thời tiết.

Phân loại hình ảnh.

Dự đoán xác suất xuất hiện của một chuỗi từ hoặc từ tiếp theo trong một câu.

Nhận dạng khuôn mặt.

Kiểm tra chính tả.

Phân tích cảm xúc của văn bản.

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

Dịch văn bản sang ngôn ngữ khác.

Tóm tắt văn bản.

Phân tích cú pháp câu.

Đánh giá tầm quan trọng của từ trong một văn bản so với một tập hợp văn bản.

Dịch văn bản sang ngôn ngữ khác.

Tóm tắt văn bản.

Dịch từ sang ngôn ngữ khác.

Xác định nghĩa đúng của một từ trong ngữ cảnh cụ thể, đặc biệt khi từ đó có nhiều nghĩa.

Loại bỏ các từ không quan trọng khỏi văn bản.

Tìm từ đồng nghĩa và trái nghĩa.

Chuyển đổi văn bản thành âm thanh.

Phân tích cấu trúc ngữ pháp của câu để hiểu mối quan hệ giữa các từ.

Loại bỏ các từ không quan trọng khỏi văn bản.

Tìm kiếm các từ khóa trong văn bản.

Tăng tốc độ xử lý dữ liệu.

Tính toán gradient của hàm mất mát (loss function) để cập nhật trọng số của mạng.

Làm sạch dữ liệu văn bản.

Chọn kiến trúc mạng nơ-ron phù hợp.

Tự động hóa dây chuyền sản xuất.

Phân tích bệnh án điện tử để cải thiện chẩn đoán và điều trị.

Quản lý kho hàng.

Dự báo thời tiết.

Word Embeddings đơn giản và dễ tính toán hơn.

Word Embeddings nắm bắt được ý nghĩa ngữ nghĩa và mối quan hệ giữa các từ.

Bag of Words hiệu quả hơn trong việc xử lý văn bản dài.

Bag of Words giữ lại thứ tự của từ trong câu.