1000+ câu Trắc nghiệm Nhập môn xử lý ngôn ngữ tự nhiên có đáp án - Phần 25

Mã hóa token (Tokenization)

Loại bỏ từ dừng (Stop word removal)

Lemma hóa (Lemmatization)

Phân tích cú pháp (Parsing)

Bằng cách mã hóa thứ tự từ trong câu

Bằng cách đếm tần suất xuất hiện của mỗi từ trong văn bản

Bằng cách sử dụng mạng nơ-ron để học biểu diễn từ

Bằng cách phân tích quan hệ ngữ pháp giữa các từ

Phân tích tình cảm của văn bản

Phát hiện ngôn ngữ của văn bản

Tóm tắt văn bản

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

Biểu diễn từ dưới dạng vector số, giúp máy tính hiểu được quan hệ ngữ nghĩa giữa các từ

Loại bỏ các từ không quan trọng trong văn bản

Phân chia văn bản thành các câu

Đếm tần suất xuất hiện của các từ

Xác định chủ đề của văn bản

Xác định cấu trúc ngữ pháp và quan hệ giữa các thành phần trong câu

Phân loại văn bản theo tình cảm (tích cực, tiêu cực, trung lập)

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác

Dựa trên mạng nơ-ron sâu để học ngữ cảnh

Dựa trên quy tắc ngữ pháp được lập trình sẵn

Dựa trên xác suất xuất hiện của N từ liên tiếp trong dữ liệu huấn luyện

Dựa trên phân tích ngữ nghĩa của từ

Tăng tốc độ tính toán của mô hình

Giảm thiểu hiện tượng overfitting

Thay thế cho lớp mạng nơ-ron tích chập (CNN)

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

Khả năng hiểu ngữ cảnh hai chiều của từ trong câu

Khả năng dịch ngôn ngữ theo thời gian thực

Khả năng tạo sinh văn bản tự do

Khả năng phân tích hình ảnh và văn bản đồng thời

Phân loại văn bản theo chủ đề

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 trong văn bản

Tóm tắt nội dung chính của văn bản

Dịch văn bản sang ngôn ngữ khác

Nhận dạng các thực thể có tên trong văn bản

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

Tạo ra văn bản mới dựa trên phong cách đã học

Tốc độ dịch chậm do từ vựng quá lớn

Sự mơ hồ về nghĩa của từ trong các ngôn ngữ khác nhau

Khó khăn trong việc xử lý các câu phức tạp về mặt ngữ pháp

Việc mô hình gặp phải các từ không xuất hiện trong dữ liệu huấn luyện

Đánh giá chất lượng của bản dịch

Tăng cường dữ liệu huấn luyện bằng cách tạo ra dữ liệu song ngữ tổng hợp

Giảm kích thước của mô hình dịch máy

Cải thiện khả năng xử lý từ OOV

Abstractive chỉ tóm tắt các đoạn đầu của văn bản, còn extractive tóm tắt toàn bộ văn bản

Extractive tạo ra bản tóm tắt ngắn hơn abstractive

Abstractive tạo ra bản tóm tắt bằng cách diễn đạt lại ý chính, còn extractive chọn lọc và ghép nối các câu có sẵn trong văn bản gốc

Extractive sử dụng mô hình học sâu, còn abstractive sử dụng phương pháp thống kê truyền thống

Xây dựng hệ thống có thể trả lời câu hỏi của con người bằng ngôn ngữ tự nhiên

Phân loại câu hỏi theo chủ đề

Tạo ra các câu hỏi kiểm tra kiến thức

Đánh giá độ khó của câu hỏi

Phân tích dữ liệu người dùng để cải thiện sản phẩm

Hiểu ngôn ngữ tự nhiên của người dùng và phản hồi một cách phù hợp

Tự động tạo ra nội dung quảng cáo

Theo dõi hành vi trực tuyến của người dùng

Tỷ lệ dự đoán đúng trên tổng số mẫu thực tế là tích cực

Tỷ lệ dự đoán sai trên tổng số mẫu

Tỷ lệ dự đoán đúng là tích cực trên tổng số mẫu dự đoán là tích cực

Tỷ lệ mẫu thực tế là tích cực được dự đoán đúng

Khả năng mô hình tìm ra tất cả các mẫu thực sự thuộc lớp tích cực

Khả năng mô hình dự đoán chính xác các mẫu thuộc lớp tiêu cực

Độ chính xác của mô hình trên toàn bộ tập dữ liệu

Tỷ lệ dự đoán sai trên tổng số mẫu dự đoán

Đo lường tốc độ xử lý của mô hình

Trung bình điều hòa của Precision và Recall, hữu ích khi cần cân bằng giữa độ chính xác và độ phủ

Đo lường độ phức tạp của mô hình

Đo lường khả năng khái quát hóa của mô hình trên dữ liệu mới

Do thuật toán học máy không đủ mạnh

Do kích thước dữ liệu huấn luyện quá nhỏ

Do lỗi lập trình trong quá trình xây dựng mô hình

Từ dữ liệu huấn luyện có sẵn chứa đựng các định kiến xã hội và văn hóa

Tăng cường độ phức tạp của mô hình

Sử dụng nhiều dữ liệu huấn luyện hơn

Cải thiện chất lượng và tính đa dạng của dữ liệu huấn luyện, áp dụng các kỹ thuật de-biasing

Giảm số lượng tham số trong mô hình