1000+ câu Trắc nghiệm Nhập môn xử lý ngôn ngữ tự nhiên có đáp án - Phần 22

Lemmatization

Tokenization

Stemming

Phân tích cú pháp

Một chuỗi các từ theo thứ tự xuất hiện trong văn bản

Một đồ thị thể hiện mối quan hệ ngữ pháp giữa các từ

Một vectơ tần số từ, trong đó mỗi chiều tương ứng với một từ trong từ vựng

Một mạng lưới các khái niệm và mối liên kết giữa chúng

Term Frequency-Inverse Document Frequency; đo lường tầm quan trọng của từ trong tài liệu

Text Filtering-Information Dissemination Function; lọc thông tin không liên quan

Topic Factorization-Iterative Distribution Formula; phân tách chủ đề văn bản

Treebank Formation-Independent Dependency Feature; xây dựng cây cú pháp

Dạng hình ảnh trực quan của từ

Mã nhị phân duy nhất cho mỗi từ

Danh sách các từ đồng nghĩa và trái nghĩa

Vectơ số thực trong không gian nhiều chiều, thể hiện ngữ nghĩa của từ

Phân loại hình ảnh

Xử lý dữ liệu chuỗi tuần tự như dịch máy và phân tích văn bản

Phát hiện đối tượng trong ảnh

Dự đoán giá cổ phiếu

RNN nhanh hơn Transformer trong quá trình huấn luyện

RNN có thể xử lý song song toàn bộ chuỗi đầu vào tốt hơn Transformer

Transformer cho phép mô hình tập trung vào các phần khác nhau của đầu vào một cách linh hoạt, xử lý tốt hơn các phụ thuộc xa trong câu

Transformer không yêu cầu dữ liệu huấn luyện lớn như RNN

Phân loại văn bản theo chủ đề

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác

Tóm tắt văn bản dài thành văn bản ngắn hơn

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

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

Phân tích cấu trúc ngữ pháp của câu

Tìm kiếm thông tin cụ thể trong văn bản

Đo lường độ dài của văn bản

NLP chỉ được sử dụng để tạo giao diện đồ họa cho chatbot

NLP cho phép chatbot hiểu ngôn ngữ tự nhiên của người dùng, diễn giải ý định và tạo phản hồi phù hợp

NLP giới hạn khả năng của chatbot trong việc nhận dạng giọng nói

NLP chỉ cần thiết cho chatbot đa ngôn ngữ

Các từ mang nghĩa tiêu cực cần loại bỏ để phân tích tình cảm chính xác hơn

Các từ hiếm gặp cần loại bỏ để giảm kích thước từ vựng

Các từ phổ biến (ví dụ: "và", "là", "của") thường ít mang ý nghĩa trong nhiều nhiệm vụ NLP và có thể gây nhiễu

Các từ viết sai chính tả cần loại bỏ để làm sạch dữ liệu

Tăng số lượng từ trong văn bản

Thay thế từ bằng từ đồng nghĩa

Phân tích cấu trúc ngữ pháp của từ

Đưa các từ về dạng gốc hoặc dạng chuẩn hóa để giảm sự phức tạp và cải thiện hiệu suất mô hình

Mã hóa văn bản thành dạng số

Phân tích chuỗi các từ liên tiếp để nắm bắt thông tin ngữ cảnh và thứ tự từ

Loại bỏ nhiễu từ văn bản

Tạo ra các từ mới từ văn bản hiện có

Tần suất xuất hiện của các từ trong câu

Ý nghĩa ngữ nghĩa của câu

Cấu trúc cú pháp và mối quan hệ ngữ pháp giữa các thành phần của câu

Tình cảm chủ đạo của câu

Đo độ tương đồng giữa hai vectơ, thường được sử dụng để so sánh văn bản hoặc word embeddings

Phân loại văn bản thành các chủ đề khác nhau

Tìm kiếm lỗi chính tả trong văn bản

Đánh giá hiệu suất của mô hình dịch máy

Đánh giá độ chính xác của phân tích tình cảm

Đo lường tốc độ xử lý văn bản của mô hình

Đánh giá khả năng tóm tắt văn bản

Đánh giá chất lượng của đầu ra dịch máy so với bản dịch tham khảo

Dạng văn bản thuần túy

Dạng đồ thị với các nút (thực thể) và cạnh (mối quan hệ) giữa chúng

Dạng bảng cơ sở dữ liệu quan hệ

Dạng cây phân cấp

Phát hiện tin giả

Tạo quảng cáo cá nhân hóa

Tóm tắt văn bản tự động để nhanh chóng nắm bắt nội dung chính

Phân loại email spam

Word embeddings truyền thống có kích thước vectơ lớn hơn

Contextual embeddings dễ huấn luyện hơn

Word embeddings truyền thống biểu diễn từ dựa trên ngữ cảnh

Contextual embeddings tạo ra biểu diễn khác nhau cho cùng một từ tùy thuộc vào ngữ cảnh sử dụng, trong khi word embeddings truyền thống tạo ra một biểu diễn duy nhất cho mỗi từ

Đánh giá chất lượng bản dịch

Tăng cường dữ liệu huấn luyện bằng cách tạo ra các cặp câu song ngữ mới từ dữ liệu đơn ngữ

Giảm thiểu lỗi dịch do từ vựng ngoài tập huấn luyện

Cải thiện tốc độ dịch

Tăng tốc độ tính toán của mạng nơ-ron

Giảm số lượng tham số của mô hình

Cho phép mô hình tập trung vào các phần khác nhau của chuỗi đầu vào khi tạo ra đầu ra, bằng cách gán trọng số khác nhau cho mỗi vị trí đầu vào

Chuẩn hóa dữ liệu đầu vào