1000+ câu Trắc nghiệm Nhập môn xử lý ngôn ngữ tự nhiên có đáp án - Phần 23

Stemming (cắt gốc từ)

Lemmatization (nguyên mẫu hóa)

Tokenization (tách từ)

Stop word removal (loại bỏ từ dừng)

Câu này thể hiện tình cảm tích cực.

Câu này thể hiện tình cảm tiêu cực.

Câu này thể hiện tình cảm hỗn hợp (vừa tích cực, vừa tiêu cực).

Câu này không thể hiện tình cảm rõ ràng.

Vị trí của từ trong câu.

Tần suất xuất hiện của từ trong văn bản.

Ý nghĩa ngữ nghĩa của từ.

Mối quan hệ cú pháp giữa các từ.

Word Embedding tạo ra vectơ thưa thớt, tiết kiệm bộ nhớ hơn.

Word Embedding tính toán nhanh hơn Bag-of-Words.

Word Embedding thể hiện được mối quan hệ ngữ nghĩa giữa các từ.

Word Embedding không yêu cầu tiền xử lý văn bản phức tạp.

Mạng nơ-ron hồi quy (Recurrent Neural Network - RNN).

Mạng nơ-ron tích chập (Convolutional Neural Network - CNN).

Mạng nơ-ron truyền thẳng (Feedforward Neural Network).

Mạng nơ-ron tự tổ chức (Self-Organizing Map - SOM).

Giảm độ phức tạp tính toán của mô hình.

Cho phép mô hình tập trung vào các phần liên quan của câu khi xử lý thông tin.

Tăng tốc độ hội tụ của mô hình trong quá trình huấn luyện.

Cải thiện khả năng biểu diễn từ vựng của mô hình.

Khả năng dịch ngôn ngữ theo thời gian thực.

Khả năng sinh văn bản tự động.

Khả năng phân loại hình ảnh.

Khả năng hiểu ngữ cảnh từ theo cả hai hướng (trái và phải) trong câu.

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 của người viết.

Tóm tắt nội dung chính của văn bản.

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.

Sinh văn bản.

Dịch máy.

Phân loại văn bản và nhận dạng thực thể.

Mô hình hóa ngôn ngữ.

Phần mềm diệt virus.

Công cụ tìm kiếm trên web có khả năng hiểu truy vấn bằng ngôn ngữ tự nhiên.

Chương trình quản lý cơ sở dữ liệu.

Ứng dụng chỉnh sửa ảnh.

Tiếng Việt có ít từ vựng hơn tiếng Anh.

Tiếng Việt không có quy tắc ngữ pháp rõ ràng.

Tiếng Việt sử dụng bảng chữ cái khác biệt hoàn toàn.

Tiếng Việt là ngôn ngữ đơn lập, từ không biến đổi hình thái và có tính đa nghĩa cao.

Tăng kích thước từ vựng.

Cải thiện khả năng hiểu nghĩa của từ.

Tạo ra các gốc từ không có nghĩa (over-stemming) hoặc khác nhau cho từ gốc giống nhau (under-stemming).

Giảm thời gian xử lý văn bản.

Số lượng từ vựng trong tập dữ liệu.

Số lượng từ liên tiếp được xem xét trong mô hình.

Số lớp ẩn trong mạng nơ-ron.

Số lần lặp huấn luyện mô hình.

Xác định cấu trúc ngữ pháp của câu và mối quan hệ giữa các từ.

Phân loại văn bản theo chủ đề.

Dịch câu từ ngôn ngữ này sang ngôn ngữ khác.

Tìm kiếm thông tin liên quan trong văn bản.

Sinh văn bản tự động.

Phân tích tình cảm.

Nhận dạng ý định (Intent Recognition).

Tóm tắt văn bản.

Nhận dạng thực thể có tên (NER).

Phân tích tình cảm (Sentiment Analysis).

Dịch máy (Machine Translation).

Tóm tắt văn bản (Text Summarization).

Tăng tốc độ tính toán của mô hình.

Giảm số lượng tham số của mô hình.

Phân tích cấu trúc cú pháp của câu.

Cho phép mô hình học mối quan hệ giữa các từ trong cùng một câu để hiểu ngữ cảnh.

Đánh trọng số cho các từ trong văn bản dựa trên tần suất xuất hiện của chúng trong văn bản và độ hiếm của chúng trong toàn bộ tập văn bản.

Giảm số chiều của vectơ biểu diễn văn bản.

Phân cụm các văn bản có chủ đề tương tự.

Phân tích cảm xúc của văn bản.

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

Chia văn bản thành các đơn vị nhỏ hơn, thường là từ hoặc cụm từ.

Chuyển đổi văn bản thành chữ thường.

Tìm gốc của các từ trong văn bản.

Mô hình phân loại văn bản.

Mô hình nhận dạng thực thể.

Mô hình ngôn ngữ (Language Model).

Mô hình phân tích tình cảm.