1000+ câu Trắc nghiệm Nhập môn xử lý ngôn ngữ tự nhiên có đáp án - Phần 28

Phân tích dữ liệu tài chính.

Tương tác và giao tiếp với người dùng bằng ngôn ngữ tự nhiên.

Điều khiển thiết bị phần cứng.

Tạo ra hình ảnh và video.

Chỉ có thể xử lý văn bản tiếng Anh.

Huấn luyện theo cả hai hướng (trái sang phải và phải sang trái) để hiểu ngữ cảnh tốt hơn.

Sử dụng RNN thay vì Transformer.

Chỉ tập trung vào phân tích cảm xúc.

Phát triển phần cứng máy tính mạnh mẽ hơn.

Tương tác giữa máy tính và ngôn ngữ loài người.

Nghiên cứu về cấu trúc và lịch sử ngôn ngữ loài người.

Xây dựng cơ sở dữ liệu ngôn ngữ học quy mô lớn.

Tạo ra văn bản mới từ một chủ đề cho trước.

Chuyển đổi văn bản từ ngôn ngữ nguồn sang ngôn ngữ đích.

Phân loại văn bản theo chủ đề.

Tìm kiếm thông tin trong văn bản.

Phân tích cảm xúc của văn bản.

Gán nhãn từ loại (ví dụ: danh từ, động từ, tính từ) cho mỗi từ trong câu.

Dịch văn bản sang ngôn ngữ khác.

Tóm tắt văn bản.

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

Xác định ý kiến, thái độ hoặc cảm xúc được thể hiện trong văn bản.

Tóm tắt nội dung chính của một văn bản dài.

Nhận dạng các thực thể có tên trong văn bản.

Chúng chứa thông tin quan trọng về ngữ nghĩa của văn bản.

Chúng xuất hiện rất thường xuyên và ít đóng góp vào ý nghĩa tổng thể.

Chúng gây khó khăn cho việc phân tích cú pháp.

Chúng thường là các từ mang tính chất xúc phạm.

Giảm kích thước dữ liệu văn bản.

Nắm bắt được ngữ nghĩa và mối quan hệ giữa các từ.

Tăng tốc độ xử lý văn bản.

Đơn giản hóa quá trình tiền xử lý văn bản.

Cả hai đều gán nhãn từ loại cho từ.

Cả hai đều chuyển đổi từ về dạng gốc của chúng.

Cả hai đều loại bỏ stop words.

Cả hai đều phân tích cú pháp của câu.

Phát hiện lỗi chính tả trong văn bản.

Tạo ra một phiên bản ngắn gọn hơn của văn bản gốc, giữ lại thông tin quan trọng nhất.

Dịch văn bản sang ngôn ngữ khác.

Phân tích cảm xúc của văn bản.

Phân loại hình ảnh.

Xử lý dữ liệu chuỗi tuần tự như văn bản và giọng nói.

Phát hiện gian lận tài chính.

Dự báo thời tiết.

Một thuật toán phân loại văn bản.

Một chuỗi gồm n từ liên tiếp trong văn bản.

Một phương pháp giảm chiều dữ liệu.

Một loại mô hình ngôn ngữ dựa trên mạng nơ-ron.

Việc loại bỏ các từ không quan trọng để tăng tốc độ xử lý.

Khả năng hiểu ý nghĩa của từ và câu dựa trên các từ và câu xung quanh.

Việc chuyển đổi văn bản thành dạng số để máy tính xử lý.

Khả năng phân tích cấu trúc ngữ pháp của câu.

Khả năng xử lý hình ảnh kém.

Khó khăn trong việc song song hóa tính toán và xử lý chuỗi dài.

Độ chính xác thấp trong phân loại văn bản.

Yêu cầu lượng dữ liệu huấn luyện quá lớn.

Xác định chủ đề chính của văn bản.

Phân tích cấu trúc ngữ pháp và mối quan hệ giữa các từ trong câu.

Loại bỏ các từ dừng.

Chuyển đổi văn bản thành giọng nói.

Phân tích cảm xúc.

Tính trọng số của từ trong một văn bản so với tập hợp các văn bản.

Tóm tắt văn bản.

Dịch máy.

Phân loại văn bản theo chủ đề.

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

Chỉnh sửa lỗi chính tả và ngữ pháp trong văn bản.

Tạo ra bản tóm tắt ngắn gọn của văn bản.

Sự thiếu hụt các thuật toán NLP hiệu quả.

Sự khác biệt lớn về cấu trúc ngữ pháp và từ vựng giữa các ngôn ngữ.

Khó khăn trong việc thu thập dữ liệu văn bản số.

Tốc độ xử lý máy tính chậm cho ngôn ngữ đa dạng.

Phát hiện đạo văn trong văn bản.

Dự đoán từ hoặc chuỗi từ tiếp theo trong một câu.

Phân tích cấu trúc ngữ pháp của câu.

Chuyển đổi giọng nói thành văn bản.

Thiên vị (bias) trong dữ liệu huấn luyện dẫn đến kết quả không công bằng.

Sử dụng NLP cho mục đích giám sát và xâm phạm quyền riêng tư.

Tăng cường sử dụng năng lượng do các mô hình NLP lớn.

Ô nhiễm tiếng ồn từ các thiết bị NLP.