1000+ câu Trắc nghiệm Nhập môn xử lý ngôn ngữ tự nhiên có đáp án - Phần 21

Phân tích cấu trúc ngữ pháp của một câu để xác định mối quan hệ giữa các từ

Chuyển đổi văn bản thành giọng nói

Phân loại văn bản theo chủ đề

Loại bỏ các từ không quan trọng trong văn bản

Thay thế từ OOV bằng từ đồng nghĩa

Sử dụng mã hóa theo cặp byte (Byte Pair Encoding - BPE) hoặc các phương pháp phân tách từ con

Bỏ qua hoàn toàn các từ OOV trong quá trình xử lý

Gán ngẫu nhiên vectơ cho các từ OOV

Các mệnh đề độc lập và phụ thuộc

Các từ khóa quan trọng nhất trong câu

Các cụm từ có nghĩa (ví dụ: cụm danh từ, cụm động từ)

Các thực thể có tên (Named Entities)

BERT chỉ xử lý văn bản từ trái sang phải, giống như các mô hình RNN truyền thống.

BERT xem xét cả ngữ cảnh bên trái và bên phải của một từ khi tạo biểu diễn vectơ từ đó.

BERT chỉ phù hợp cho các bài toán phân loại văn bản, không dùng được cho nhận dạng thực thể.

BERT là một mô hình ngôn ngữ dựa trên CNN, không phải Transformer.

Chọn lọc và kết hợp các câu quan trọng nhất từ văn bản gốc để tạo bản tóm tắt

Diễn giải lại nội dung của văn bản gốc bằng ngôn ngữ khác

Sử dụng mô hình sinh văn bản để tạo ra bản tóm tắt mới hoàn toàn

Loại bỏ các thông tin không quan trọng và giữ lại các từ khóa chính

So sánh số lượng từ chung giữa hai câu

Kiểm tra xem hai câu có cùng chủ đề hay không

Đếm số lượng thực thể có tên giống nhau

Sử dụng biểu diễn vectơ câu (sentence embeddings) và tính độ tương đồng cosine giữa chúng

NLTK (Natural Language Toolkit)

SpaCy

underthesea

Stanford CoreNLP

Nhận dạng giọng nói (Speech Recognition)

Tổng hợp tiếng nói (Text-to-Speech - TTS)

Dịch máy (Machine Translation)

Phân tích văn bản (Text Analytics)

Nhận dạng thực thể có tên (Named Entity Recognition)

Tóm tắt văn bản (Text Summarization)

Phân tích cú pháp (Syntactic Parsing)

Phân tích cảm xúc (Sentiment Analysis)

Sinh văn bản (Text Generation)

Dịch máy (Machine Translation)

Trích xuất thông tin (Information Extraction)

Phân loại văn bản (Text Classification)

Khả năng dự đoán chuỗi từ tiếp theo của mô hình ngôn ngữ

Tốc độ huấn luyện của mô hình ngôn ngữ

Kích thước bộ nhớ cần thiết để lưu trữ mô hình ngôn ngữ

Độ phức tạp của kiến trúc mô hình ngôn ngữ

Phân tích cấu trúc cú pháp của câu chứa từ đó

Xác định nghĩa chính xác của một từ trong ngữ cảnh cụ thể khi từ đó có nhiều nghĩa

Tìm ra các từ đồng nghĩa và trái nghĩa của từ

Chuyển đổi từ về dạng nguyên thể của nó

Tạo ra phản hồi tự nhiên và trôi chảy

Lưu trữ lịch sử hội thoại của người dùng

Xác định mục đích hoặc mong muốn của người dùng thông qua câu nói của họ

Chuyển đổi giọng nói của người dùng thành văn bản

Loại bỏ từ dừng (Stop word removal)

Nguyên thể hóa (Lemmatization)

Stemming

Phân tách từ thành đơn vị con (Subword tokenization)

Tăng tốc độ huấn luyện mô hình

Cho phép bộ giải mã (decoder) tập trung vào các phần liên quan của câu nguồn khi tạo từ dịch

Giảm độ phức tạp tính toán của mô hình

Cải thiện khả năng xử lý ngữ cảnh hai chiều của mô hình

Chỉ sử dụng dữ liệu từ một nguồn duy nhất để đảm bảo tính nhất quán

Tăng cường sử dụng các thuật toán phức tạp hơn để tự động loại bỏ thiên kiến

Đa dạng hóa dữ liệu huấn luyện và kiểm tra, đồng thời giám sát và đánh giá thiên kiến trong mô hình

Giấu thông tin nhạy cảm (ví dụ: giới tính, chủng tộc) trong dữ liệu huấn luyện

Các thực thể và mối quan hệ giữa chúng trong thế giới thực

Cấu trúc ngữ pháp của ngôn ngữ

Biểu diễn vectơ của từ và câu

Quy trình xử lý văn bản từ đầu đến cuối

Lịch sử các câu hỏi và câu trả lời trong hội thoại

Thông tin về ngữ cảnh hiện tại và mục tiêu của người dùng trong hội thoại

Các thực thể có tên được đề cập trong hội thoại

Cảm xúc của người dùng trong suốt hội thoại

Phân loại văn bản (Text Classification)

Tóm tắt văn bản (Text Summarization)

Phân tích cảm xúc tổng thể (Overall Sentiment Analysis)

Phân tích cảm xúc dựa trên khía cạnh (Aspect-Based Sentiment Analysis)

Học từ dữ liệu không có nhãn

Huấn luyện mô hình trên dữ liệu tổng hợp

Tổng quát hóa và thực hiện nhiệm vụ trên các lớp hoặc nhãn chưa từng thấy trong quá trình huấn luyện

Tăng tốc độ học của mô hình bằng cách bỏ qua một số mẫu dữ liệu

Khả năng mô hình tự động sửa lỗi sai trong quá trình xử lý ngôn ngữ

Khả năng hiểu và giải thích được lý do tại sao mô hình đưa ra một dự đoán hoặc quyết định cụ thể

Khả năng mô hình học hỏi từ ít dữ liệu huấn luyện hơn

Khả năng mô hình hoạt động hiệu quả trên nhiều ngôn ngữ khác nhau