1000+ câu Trắc nghiệm Nhập môn xử lý ngôn ngữ tự nhiên có đáp án - Phần 22

Các từ mang nghĩa tiêu cực cần loại bỏ để phân tích tình cảm chính xác hơn

Các từ hiếm gặp cần loại bỏ để giảm kích thước từ vựng

Các từ phổ biến (ví dụ: "và", "là", "của") thường ít mang ý nghĩa trong nhiều nhiệm vụ NLP và có thể gây nhiễu

Các từ viết sai chính tả cần loại bỏ để làm sạch dữ liệu

Tăng số lượng từ trong văn bản

Thay thế từ bằng từ đồng nghĩa

Phân tích cấu trúc ngữ pháp của từ

Đưa các từ về dạng gốc hoặc dạng chuẩn hóa để giảm sự phức tạp và cải thiện hiệu suất mô hình

Mã hóa văn bản thành dạng số

Phân tích chuỗi các từ liên tiếp để nắm bắt thông tin ngữ cảnh và thứ tự từ

Loại bỏ nhiễu từ văn bản

Tạo ra các từ mới từ văn bản hiện có

Tần suất xuất hiện của các từ trong câu

Ý nghĩa ngữ nghĩa của câu

Cấu trúc cú pháp và mối quan hệ ngữ pháp giữa các thành phần của câu

Tình cảm chủ đạo của câu

Đo độ tương đồng giữa hai vectơ, thường được sử dụng để so sánh văn bản hoặc word embeddings

Phân loại văn bản thành các chủ đề khác nhau

Tìm kiếm lỗi chính tả trong văn bản

Đánh giá hiệu suất của mô hình dịch máy

Đánh giá độ chính xác của phân tích tình cảm

Đo lường tốc độ xử lý văn bản của mô hình

Đánh giá khả năng tóm tắt văn bản

Đánh giá chất lượng của đầu ra dịch máy so với bản dịch tham khảo

Dạng văn bản thuần túy

Dạng đồ thị với các nút (thực thể) và cạnh (mối quan hệ) giữa chúng

Dạng bảng cơ sở dữ liệu quan hệ

Dạng cây phân cấp

Phát hiện tin giả

Tạo quảng cáo cá nhân hóa

Tóm tắt văn bản tự động để nhanh chóng nắm bắt nội dung chính

Phân loại email spam

Word embeddings truyền thống có kích thước vectơ lớn hơn

Contextual embeddings dễ huấn luyện hơn

Word embeddings truyền thống biểu diễn từ dựa trên ngữ cảnh

Contextual embeddings tạo ra biểu diễn khác nhau cho cùng một từ tùy thuộc vào ngữ cảnh sử dụng, trong khi word embeddings truyền thống tạo ra một biểu diễn duy nhất cho mỗi từ

Đánh giá chất lượng bản dịch

Tăng cường dữ liệu huấn luyện bằng cách tạo ra các cặp câu song ngữ mới từ dữ liệu đơn ngữ

Giảm thiểu lỗi dịch do từ vựng ngoài tập huấn luyện

Cải thiện tốc độ dịch

Tăng tốc độ tính toán của mạng nơ-ron

Giảm số lượng tham số của mô hình

Cho phép mô hình tập trung vào các phần khác nhau của chuỗi đầu vào khi tạo ra đầu ra, bằng cách gán trọng số khác nhau cho mỗi vị trí đầu vào

Chuẩn hóa dữ liệu đầu vào

Tiếng Việt là ngôn ngữ đơn lập, việc phân tách từ (word segmentation) phức tạp hơn do không có dấu cách rõ ràng giữa các từ ghép

Tiếng Việt có số lượng từ vựng ít hơn tiếng Anh

Tiếng Việt ít biến thể ngữ pháp hơn tiếng Anh

Tiếng Việt không có thanh điệu, gây khó khăn trong việc phân biệt nghĩa

Khi mô hình học quá chậm trên dữ liệu huấn luyện

Khi mô hình sử dụng quá nhiều dữ liệu huấn luyện

Khi mô hình không đủ phức tạp để nắm bắt được mẫu trong dữ liệu

Khi mô hình học quá kỹ dữ liệu huấn luyện, dẫn đến hiệu suất tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới (dữ liệu kiểm thử)

Tăng tốc độ huấn luyện mô hình

Giảm kích thước mô hình

Giảm overfitting bằng cách ngẫu nhiên bỏ qua một số nơ-ron trong quá trình huấn luyện

Cải thiện khả năng diễn giải của mô hình

Huấn luyện mô hình với dữ liệu không có nhãn

Khả năng của mô hình thực hiện một nhiệm vụ mới mà không cần được huấn luyện trực tiếp trên nhiệm vụ đó, mà chỉ dựa trên kiến thức đã học từ các nhiệm vụ liên quan

Huấn luyện mô hình với dữ liệu tổng hợp

Sử dụng mô hình được huấn luyện trên một ngôn ngữ để thực hiện nhiệm vụ trên ngôn ngữ khác

Few-shot learning không sử dụng dữ liệu huấn luyện, trong khi zero-shot learning có sử dụng

Few-shot learning chỉ áp dụng cho phân loại văn bản, còn zero-shot learning áp dụng cho dịch máy

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

Few-shot learning luôn đạt hiệu suất cao hơn zero-shot learning

Rất quan trọng, vì XAI giúp hiểu rõ cách mô hình NLP đưa ra quyết định, tăng tính minh bạch, trách nhiệm giải trình và độ tin cậy, đặc biệt cần thiết trong các ứng dụng nhạy cảm

Không quan trọng, vì hiệu suất dự đoán là yếu tố duy nhất cần quan tâm

Chỉ quan trọng trong nghiên cứu, không cần thiết trong ứng dụng thực tế

Ít quan trọng hơn so với các lĩnh vực AI khác như thị giác máy tính

Các phương pháp huấn luyện mô hình NLP nhanh hơn

Các kỹ thuật làm tăng tính đa dạng của dữ liệu huấn luyện

Các biện pháp bảo vệ mô hình NLP khỏi bị sao chép

Các đầu vào được thiết kế đặc biệt để đánh lừa mô hình NLP, dẫn đến dự đoán sai và làm lộ ra các lỗ hổng bảo mật

Giảm kích thước dữ liệu huấn luyện

Loại bỏ dữ liệu nhiễu

Sử dụng các kỹ thuật như thay thế từ đồng nghĩa, dịch ngược, xáo trộn từ để tạo thêm dữ liệu huấn luyện đa dạng hơn

Chuẩn hóa dữ liệu đầu vào

Dịch văn bản giữa nhiều ngôn ngữ khác nhau

Áp dụng kiến thức học được từ một ngôn ngữ (thường là ngôn ngữ có nhiều tài nguyên) sang ngôn ngữ khác (thường là ngôn ngữ ít tài nguyên) để cải thiện hiệu suất

Phân tích văn bản đa ngôn ngữ

Tạo ra văn bản đa ngôn ngữ

Precision đo tổng số dự đoán đúng, recall đo tổng số dự đoán sai

Precision và recall đều đo lường tỷ lệ dự đoán đúng trên tổng số mẫu

Precision đo tỷ lệ dự đoán đúng trên tổng số mẫu dương tính thực tế, recall đo tỷ lệ dự đoán đúng trên tổng số mẫu dự đoán dương tính

Precision đo tỷ lệ dự đoán đúng trong số các mẫu được dự đoán là dương tính, còn recall đo tỷ lệ dự đoán đúng trong số các mẫu thực sự là dương tính