1000+ câu Trắc nghiệm Nhập môn xử lý ngôn ngữ tự nhiên có đáp án - Phần 31

Dịch máy

Đo lường tầm quan trọng của một từ trong một văn bản so với một tập hợp các văn bản

Phân tích cảm xúc

Tạo sinh văn bản

Tăng tốc độ huấn luyện mô hình

Tìm kiếm chuỗi đầu ra có xác suất cao nhất trong các tác vụ sinh tạo ngôn ngữ như dịch máy hoặc tóm tắt văn bản

Giảm kích thước từ vựng

Phân tích cú pháp câu

Word embeddings

Dữ liệu chú giải cú pháp phụ thuộc (dependency parsing)

Dữ liệu văn bản thô

Dữ liệu âm thanh

'Con mèo đang ngủ trên ghế'

'Tôi thấy con dơi bay trong đêm'

'Thời tiết hôm nay đẹp'

'Máy tính rất hữu ích'

Xử lý ngôn ngữ mơ hồ (Ambiguity)

Hiểu ngữ cảnh (Context understanding)

Dịch từ tiếng Anh sang tiếng Anh

Xử lý ngôn ngữ có tính sáng tạo và ẩn dụ (Creativity and metaphor)

Dịch các đại từ nhân xưng

Xác định tất cả các biểu thức ngôn ngữ (ví dụ: đại từ, cụm danh từ) tham chiếu đến cùng một thực thể trong văn bản

Sửa lỗi chính tả và ngữ pháp

Tóm tắt các đoạn văn dài

Sử dụng cơ chế attention (cơ chế chú ý) để cho phép mô hình tập trung vào các phần quan trọng của chuỗi đầu vào

Tăng số lượng lớp ẩn trong mạng

Sử dụng hàm kích hoạt ReLU thay vì sigmoid

Áp dụng kỹ thuật dropout

Từ tiếp theo trong chuỗi chỉ phụ thuộc vào N-1 từ đứng trước nó

Tất cả các từ trong chuỗi đều độc lập với nhau

Ngôn ngữ là tuyến tính và không có cấu trúc

Mô hình ngôn ngữ cần phải được huấn luyện trên dữ liệu đa ngôn ngữ

Few-shot learning đòi hỏi nhiều dữ liệu huấn luyện hơn zero-shot learning

Few-shot learning cho phép mô hình học từ một số lượng nhỏ ví dụ huấn luyện cho nhiệm vụ mới, trong khi zero-shot learning không sử dụng bất kỳ ví dụ nào

Few-shot learning chỉ áp dụng cho mô hình Transformer, zero-shot learning thì không

Không có sự khác biệt, đây là hai thuật ngữ thay thế cho nhau

Stemming chậm hơn lemmatization

Lemmatization tạo ra dạng gốc đúng ngữ pháp (lemma), trong khi stemming có thể tạo ra gốc từ không có nghĩa

Stemming sử dụng từ điển, lemmatization thì không

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

Convolutional Neural Network (CNN)

Recurrent Neural Network (RNN) truyền thống

Feedforward Neural Network (FFNN)

Generative Adversarial Network (GAN)

Mô hình học mà không cần bất kỳ dữ liệu huấn luyện nào

Mô hình có khả năng thực hiện các nhiệm vụ mà nó chưa từng được huấn luyện trực tiếp, chỉ dựa trên mô tả bằng ngôn ngữ tự nhiên của nhiệm vụ

Mô hình được huấn luyện trên dữ liệu tổng hợp (synthetic data)

Mô hình có độ chính xác bằng 0 trên tập kiểm tra

Phân tích cú pháp (Parsing)

Phân tích ngữ nghĩa (Semantic Analysis)

Phân tích tài chính (Financial Analysis)

Sinh tạo ngôn ngữ (Language Generation)

Chơi game

Phân tích bệnh án điện tử để hỗ trợ chẩn đoán và điều trị

Tạo nhạc

Dịch sách văn học

Dịch tên riêng từ ngôn ngữ này sang ngôn ngữ khác

Xác định và phân loại các thực thể có tên trong văn bản, ví dụ: tên người, tổ chức, địa điểm, ngày tháng, v.v.

Tạo ra tên mới cho sản phẩm hoặc công ty

Kiểm tra chính tả tên riêng

Chuyển đổi văn bản thành giọng nói

Chia văn bản thành các đơn vị nhỏ hơn, chẳng hạn như từ hoặc cụm từ

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

Gán nhãn từ loại (Part-of-Speech tagging) cho mỗi từ

Tăng cường ngữ nghĩa của văn bản

Giảm số lượng từ khác nhau bằng cách đưa các từ về dạng gốc chung

Chuyển đổi văn bản thành chữ hoa

Phát hiện ngôn ngữ của văn bản

Phân loại ảnh

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

Phát hiện đối tượng trong ảnh

Tạo ảnh từ văn bản

Chúng mang nhiều thông tin quan trọng

Chúng xuất hiện rất ít trong văn bản

Chúng xuất hiện thường xuyên nhưng ít mang ý nghĩa ngữ nghĩa trong nhiều tác vụ NLP

Chúng gây ra lỗi chính tả

Mã hóa One-Hot

PCA (Principal Component Analysis)

Stemming (cắt gốc từ)

Lemmatization (nguyên dạng hóa từ)