1000+ câu Trắc nghiệm Nhập môn xử lý ngôn ngữ tự nhiên có đáp án - Phần 13

Phân loại văn bản theo chủ đề định trước

Khám phá và xác định các chủ đề ẩn trong tập hợp văn bản

Tóm tắt văn bản theo chủ đề

Dịch văn bản theo chủ đề

Đánh giá chất lượng bản dịch máy

Tăng cường dữ liệu huấn luyện cho dịch máy

Phát hiện ngôn ngữ của văn bản

Tóm tắt văn bản đa ngôn ngữ

Tốc độ dịch

Độ trôi chảy của bản dịch

Mức độ tương đồng giữa bản dịch máy và bản dịch tham khảo của con người

Khả năng xử lý ngôn ngữ đa ngôn ngữ

Giảm thời gian suy luận (inference time)

Cần ít dữ liệu huấn luyện hơn cho các nhiệm vụ cụ thể

Độ chính xác tuyệt đối trên mọi nhiệm vụ NLP

Dễ dàng giải thích kết quả dự đoán

Chỉ áp dụng cho văn bản tiếng Anh

Phân tích tình cảm cho từng khía cạnh cụ thể của đối tượng được nhắc đến, thay vì toàn bộ văn bản

Sử dụng từ điển tình cảm thay vì mô hình học máy

Chỉ xác định tình cảm tích cực hoặc tiêu cực, không xác định trung lập

Xử lý ngôn ngữ đa nghĩa và ẩn dụ

Thiếu dữ liệu huấn luyện cho hầu hết các ngôn ngữ

Khả năng hiểu 'ngữ cảnh chung' và 'kiến thức thế giới' của máy

Tốc độ xử lý văn bản quá chậm

Tần suất xuất hiện của từ trong văn bản

Ngữ cảnh xuất hiện của từ (các từ xung quanh)

Cấu trúc ngữ pháp của câu chứa từ

Mối quan hệ đồng nghĩa và trái nghĩa giữa các từ

Một loại mô hình mạng nơ-ron đặc biệt

Một chuỗi gồm n từ liên tiếp trong văn bản

Một phương pháp mã hóa ký tự

Một kỹ thuật giảm nhiễu trong dữ liệu văn bản

Mã hóa One-hot

TF-IDF

Phân tích thành phần chính (PCA)

Bag-of-Words

Phân chia văn bản thành các câu

Nhóm các từ liên tiếp thành các cụm từ ngữ pháp (chunks) như cụm danh từ, cụm động từ

Loại bỏ các từ không quan trọng

Tìm kiếm các từ khóa trong văn bản

Chuyển đổi văn bản thành giọng nói

Chia văn bản thành các đơn vị nhỏ hơn, có ý nghĩa (ví dụ: từ, cụm từ)

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

Tìm kiếm các thực thể có tên (named entities) trong văn bản

Thiếu các thuật toán NLP phù hợp

Ít dữ liệu văn bản được gán nhãn để huấn luyện mô hình

Cấu trúc ngữ pháp quá phức tạp

Không có đủ chuyên gia NLP cho các ngôn ngữ này

Lemmatization nhanh hơn stemming

Lemmatization trả về từ gốc có nghĩa (lemma), trong khi stemming có thể trả về gốc từ không có nghĩa

Lemmatization chỉ áp dụng cho tiếng Anh, stemming áp dụng cho nhiều ngôn ngữ

Lemmatization loại bỏ stop words, stemming thì không

Phân tích tình cảm văn bản trên mạng xã hội

Chú thích ảnh tự động (Image captioning)

Chatbot hỗ trợ khách hàng trực tuyến

Công cụ kiểm tra đạo văn

Thu thập dữ liệu văn bản

Lựa chọn và biến đổi dữ liệu đầu vào thành các đặc trưng số học phù hợp để mô hình học máy có thể xử lý

Đánh giá hiệu suất mô hình

Triển khai mô hình vào ứng dụng thực tế

Tăng cường ý nghĩa của văn bản

Giảm kích thước dữ liệu và tăng hiệu quả xử lý

Phát hiện các thực thể có tên

Chuẩn hóa văn bản về dạng viết thường

Chủ đề chính của văn bản

Mối quan hệ ngữ pháp phụ thuộc giữa các từ trong câu

Nghĩa của từ trong ngữ cảnh

Tình cảm thể hiện trong văn bản

Phân tích tình cảm văn bản

Dịch máy

Nhận dạng khuôn mặt

Tóm tắt văn bản

Phân tích cú pháp câu

Tính trọng số của từ trong một văn bản và trong tập hợp văn bản

Xác định chủ đề chính của văn bản

Dịch văn bản tự động

Tăng tốc độ huấn luyện mô hình

Giảm thiểu hiện tượng 'vanishing gradients'

Cho phép mô hình tập trung vào các phần quan trọng nhất của dữ liệu đầu vào khi xử lý

Cải thiện khả năng xử lý dữ liệu tuần tự của mô hình