1000+ câu Trắc nghiệm Nhập môn xử lý ngôn ngữ tự nhiên có đáp án - Phần 11

Giảm độ phức tạp tính toán của mô hình.

Cho phép mô hình tập trung vào các phần quan trọng nhất của đầu vào khi xử lý, thay vì xử lý tuần tự toàn bộ.

Tăng cường khả năng xử lý song song.

Cải thiện khả năng dịch thuật đa ngôn ngữ.

Phân tích cú pháp (Parsing).

Phân tích ngữ nghĩa (Semantic Analysis).

Phân tích hình ảnh (Image Analysis).

Phân tích hình thái học (Morphological Analysis).

Chuyển đổi văn bản thành giọng nói.

Chia văn bản thành các đơn vị nhỏ hơn, chẳng hạn như từ hoặc cụm từ.

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

Gán nhãn từ loại (POS tagging) cho mỗi từ trong văn bản.

Tăng tốc độ xử lý văn bản.

Biểu diễn từ ngữ thành các vector số học, nắm bắt được ý nghĩa ngữ nghĩa và mối quan hệ giữa các từ.

Giảm kích thước bộ nhớ lưu trữ văn bản.

Tự động sửa lỗi chính tả trong văn bản.

Tỷ lệ các trường hợp thực tế là tích cực mà mô hình dự đoán đúng là tích cực.

Tỷ lệ các trường hợp mô hình dự đoán là tích cực mà thực sự là tích cực.

Tỷ lệ tổng số trường hợp dự đoán đúng trên tổng số trường hợp.

Mức độ bao phủ của mô hình trên dữ liệu kiểm tra.

Các ngôn ngữ ít tài nguyên thường có cấu trúc ngữ pháp phức tạp hơn.

Thiếu dữ liệu huấn luyện có nhãn và các công cụ NLP được phát triển sẵn cho các ngôn ngữ này.

Người dùng các ngôn ngữ ít tài nguyên thường ít sử dụng internet.

Các ngôn ngữ ít tài nguyên không có bảng chữ cái.

Contextual word embeddings có kích thước vector nhỏ hơn.

Contextual word embeddings tạo ra biểu diễn vector khác nhau cho cùng một từ tùy thuộc vào ngữ cảnh sử dụng của nó trong câu, trong khi word embeddings tĩnh luôn cho ra một vector duy nhất cho mỗi từ.

Word embeddings tĩnh có thể nắm bắt ngữ cảnh tốt hơn.

Contextual word embeddings dễ huấn luyện hơn.

Tỷ lệ các trường hợp mô hình dự đoán là tích cực mà thực sự là tích cực.

Tỷ lệ các trường hợp thực tế là tích cực mà mô hình dự đoán đúng là tích cực.

Tỷ lệ tổng số trường hợp dự đoán đúng trên tổng số trường hợp.

Mức độ chính xác của mô hình trên dữ liệu huấn luyện.

Khả năng mô hình xử lý ngôn ngữ tự nhiên một cách nhanh chóng.

Khả năng hiểu được cách mô hình NLP đưa ra quyết định hoặc dự đoán, giúp tin tưởng và cải thiện mô hình.

Khả năng mô hình dịch văn bản sang nhiều ngôn ngữ khác nhau.

Khả năng mô hình tự động sửa lỗi chính tả trong văn bản.

Huấn luyện lại toàn bộ mô hình từ đầu trên dữ liệu của tác vụ cụ thể.

Tiếp tục huấn luyện mô hình pre-trained trên một tập dữ liệu nhỏ hơn, đặc trưng cho tác vụ cụ thể, để mô hình thích nghi tốt hơn với tác vụ đó.

Giảm kích thước mô hình pre-trained để tăng tốc độ suy luận.

Thay đổi kiến trúc mạng nơ-ron của mô hình pre-trained.

Loại bỏ các từ dừng.

Chuẩn hóa từ ngữ về dạng gốc của chúng.

Phân tích cú pháp câu.

Phát hiện ngôn ngữ của văn bản.

Phát triển phần cứng máy tính mạnh mẽ hơn.

Xây dựng các thuật toán để máy tính có thể hiểu và xử lý ngôn ngữ con người.

Tạo ra các giao diện người dùng đồ họa phức tạp.

Nghiên cứu về tâm lý học ngôn ngữ.

Mô hình học quá tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới (dữ liệu kiểm tra).

Mô hình không học được gì từ dữ liệu huấn luyện.

Mô hình xử lý dữ liệu quá chậm.

Mô hình yêu cầu quá nhiều bộ nhớ để hoạt động.

Khả năng xử lý song song nhanh chóng.

Khả năng ghi nhớ thông tin từ các bước thời gian trước đó, phù hợp với tính tuần tự của ngôn ngữ.

Cấu trúc đơn giản và dễ huấn luyện.

Hiệu quả trong việc xử lý dữ liệu phi cấu trúc.

Dịch máy (Machine Translation).

Nhận dạng khuôn mặt (Facial Recognition).

Phân tích cảm xúc (Sentiment Analysis).

Trợ lý ảo (Chatbots/Virtual Assistants).

Làm tăng kích thước dữ liệu cần xử lý.

Một từ hoặc cụm từ có thể có nhiều nghĩa khác nhau tùy thuộc vào ngữ cảnh, khiến máy tính khó xác định đúng ý nghĩa.

Giảm tốc độ xử lý của các mô hình NLP.

Yêu cầu các mô hình NLP phải có độ chính xác tuyệt đối.

Mô hình NLP có thể khuếch đại hoặc tạo ra các định kiến (bias) giới tính, chủng tộc, v.v. từ dữ liệu huấn luyện, dẫn đến kết quả phân biệt đối xử.

Việc sử dụng NLP để tạo ra tin giả (fake news) hoặc nội dung độc hại.

Mô hình NLP đôi khi đưa ra kết quả không chính xác.

Sự riêng tư dữ liệu khi thu thập và sử dụng văn bản cá nhân cho huấn luyện mô hình.

Học từ dữ liệu không có nhãn.

Thực hiện tốt các tác vụ mà nó chưa từng được huấn luyện trực tiếp, bằng cách khái quát hóa từ các tác vụ liên quan.

Huấn luyện mô hình với lượng dữ liệu rất nhỏ.

Tự động sửa lỗi chính tả trong văn bản đầu vào.

Stemming nhanh hơn nhưng kém chính xác hơn Lemmatization, vì Stemming chỉ cắt bỏ hậu tố từ một cách đơn giản, còn Lemmatization đưa từ về dạng từ điển có nghĩa.

Lemmatization nhanh hơn Stemming.

Stemming sử dụng từ điển, còn Lemmatization thì không.

Stemming chỉ áp dụng cho tiếng Anh, còn Lemmatization áp dụng cho nhiều ngôn ngữ.

Các từ có tần suất xuất hiện thấp trong văn bản và ít quan trọng về mặt ngữ nghĩa.

Các từ phổ biến như 'the', 'a', 'is', thường ít mang thông tin ngữ nghĩa quan trọng cho nhiều tác vụ và có thể gây nhiễu.

Các từ mang cảm xúc tiêu cực cần được loại bỏ để cải thiện phân tích cảm xúc.

Các từ viết tắt cần được mở rộng để chuẩn hóa văn bản.