1000+ câu Trắc nghiệm Nhập môn xử lý ngôn ngữ tự nhiên có đáp án - Phần 32

Lemmatization

Tokenization

Stemming

Parsing

Xác định chủ đề chính của văn bản

Phân loại văn bản dựa trên tình cảm

Xác định cấu trúc ngữ pháp và mối quan hệ phụ thuộc giữa các từ trong câu

Chuyển đổi văn bản thành dạng số để xử lý bằng máy

Một tập hợp không có thứ tự các từ, trong đó chỉ quan tâm đến tần suất xuất hiện của mỗi từ

Một chuỗi các vectơ từ được sắp xếp theo thứ tự xuất hiện trong văn bản

Một đồ thị biểu diễn mối quan hệ ngữ nghĩa giữa các từ

Một cây cú pháp thể hiện cấu trúc câu

Phân tích cảm xúc và thái độ trong văn bản

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác

Tóm tắt nội dung chính của văn bản

Xác định và phân loại các thực thể có tên trong văn bản, như tên người, tổ chức, địa điểm, thời gian, v.v.

Khoảng cách Euclidean lớn giữa vectơ biểu diễn của chúng

Góc nhỏ hoặc cosine similarity cao giữa vectơ biểu diễn của chúng

Tần suất xuất hiện cùng nhau của chúng trong văn bản

Vị trí tương đối của chúng trong câu

Phân tích cấu trúc cú pháp của câu

Xác định các thực thể có tên trong văn bản

Dự đoán xác suất xuất hiện của một từ hoặc một chuỗi từ trong một ngữ cảnh nhất định

Phân loại văn bản theo chủ đề

Cả hai đều chuyển đổi văn bản thành dạng số

Cả hai đều xác định cấu trúc ngữ pháp của câu

Cả hai đều loại bỏ các từ dừng (stop words) khỏi văn bản

Cả hai đều cố gắng đưa các từ về dạng gốc hoặc dạng cơ bản của chúng

Để giảm thiểu số lượng tham số trong mô hình

Cho phép mô hình tập trung vào các phần liên quan nhất của dữ liệu đầu vào khi xử lý thông tin

Để tăng tốc độ tính toán của mô hình

Để chuẩn hóa dữ liệu đầu vào

Xác định cảm xúc, thái độ hoặc quan điểm được thể hiện trong văn bản

Dịch văn bản sang ngôn ngữ khác

Tóm tắt văn bản thành các ý chính

Sửa lỗi chính tả và ngữ pháp trong văn bản

Độ chính xác ngữ pháp của bản dịch

Tính trôi chảy và tự nhiên của bản dịch

Mức độ trùng lặp n-gram giữa bản dịch của mô hình và bản dịch tham khảo

Khả năng bảo toàn ý nghĩa của bản dịch so với văn bản gốc

Phân tích cú pháp phụ thuộc

Nhận dạng ý định (Intent Recognition)

Sinh văn bản (Text Generation)

Phân tích tình cảm

Thay đổi tốc độ sinh văn bản

Điều chỉnh độ dài của văn bản được sinh ra

Kiểm soát tính ngẫu nhiên và đa dạng của văn bản được sinh ra; nhiệt độ cao hơn tạo ra văn bản ngẫu nhiên và sáng tạo hơn

Cải thiện tính nhất quán ngữ pháp của văn bản

Mạng nơ-ron hồi quy (Recurrent Neural Networks - RNNs) hoặc Transformer

Mạng nơ-ron tích chập (Convolutional Neural Networks - CNNs)

Mạng tự mã hóa (Autoencoders)

Mạng đối nghịch sinh (Generative Adversarial Networks - GANs)

Nhận dạng thực thể có tên

Tóm tắt văn bản

Dịch máy

Phân loại tình cảm

Giảm độ phức tạp tính toán

Cho phép mô hình học được nhiều khía cạnh khác nhau của mối quan hệ giữa các từ trong câu, từ các "không gian biểu diễn" khác nhau

Tăng tốc độ hội tụ của mô hình

Cải thiện khả năng khái quát hóa của mô hình trên dữ liệu mới

Stemming

Lemmatization

Sử dụng Byte-Pair Encoding (BPE) hoặc WordPiece

Loại bỏ các từ hiếm gặp khỏi văn bản

Một phương pháp huấn luyện mà trong đó mô hình được yêu cầu dự đoán các từ bị che ngẫu nhiên trong câu; được sử dụng trong BERT

Một phương pháp để tăng cường dữ liệu huấn luyện bằng cách tạo ra các biến thể của câu gốc

Một kỹ thuật để giảm thiểu overfitting bằng cách che giấu một số kết nối nơ-ron

Một phương pháp để đánh giá hiệu suất của mô hình ngôn ngữ bằng cách che giấu một phần văn bản và xem mô hình có thể khôi phục nó tốt đến đâu

Phân tích tình cảm

Trích xuất thông tin (Information Extraction)

Sinh văn bản

Dịch máy

Word2Vec sử dụng ma trận đồng xuất hiện toàn cục, trong khi GloVe sử dụng cửa sổ trượt

GloVe dựa trên mạng nơ-ron, còn Word2Vec dựa trên phân tích ma trận

Word2Vec chỉ học được ngữ nghĩa, còn GloVe học được cả ngữ nghĩa và cú pháp

Word2Vec dự đoán ngữ cảnh từ từ trung tâm hoặc ngược lại, trong khi GloVe trực tiếp học các vectơ từ dựa trên ma trận đồng xuất hiện toàn cục

Mô hình được huấn luyện trên dữ liệu tổng hợp

Mô hình có thể học từ rất ít dữ liệu huấn luyện

Mô hình có khả năng thực hiện nhiệm vụ hoặc phân loại các lớp mà nó chưa từng được thấy trong quá trình huấn luyện

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

Trợ lý ảo (ví dụ: Siri, Alexa)

Dịch máy (Google Translate)

Phân loại thư rác

Phân tích thành phần hóa học của hợp chất

Độ chính xác của các thông tin trong bản tóm tắt

Mức độ bao phủ thông tin quan trọng từ văn bản gốc trong bản tóm tắt (Recall)

Tính trôi chảy và dễ đọc của bản tóm tắt

Thời gian cần thiết để hệ thống tạo ra bản tóm tắt

Thu thập và tiền xử lý dữ liệu văn bản

Huấn luyện mô hình học máy

Đánh giá mô hình

Triển khai mô hình

Các từ mang tính xúc phạm hoặc không phù hợp

Các từ hiếm gặp và ít quan trọng

Các từ xuất hiện thường xuyên nhưng ít mang ý nghĩa trong ngữ cảnh cụ thể (ví dụ: "là", "và", "của"); loại bỏ để giảm nhiễu và tập trung vào các từ khóa quan trọng

Các từ có nhiều nghĩa khác nhau, gây khó khăn cho việc phân tích

Dịch dữ liệu huấn luyện sang nhiều ngôn ngữ khác nhau

Tận dụng kiến thức học được từ một ngôn ngữ (thường là ngôn ngữ giàu tài nguyên) để cải thiện hiệu suất trên các ngôn ngữ khác (đặc biệt là ngôn ngữ nghèo tài nguyên)

Huấn luyện mô hình trên dữ liệu đa ngôn ngữ cùng một lúc

Sử dụng các mô hình ngôn ngữ đa ngôn ngữ được đào tạo trước

Lỗi loại 1 (Type I error)

Độ lệch (Bias)

Phương sai (Variance)

Sai âm tính (False Negative) - mô hình bỏ sót trường hợp tích cực (trong ngữ cảnh đánh giá, "tích cực" có thể hiểu là dự đoán tích cực, nhưng thực tế là tiêu cực, vậy là bỏ sót tiêu cực, nhưng theo chuẩn sai âm tính là bỏ sót tích cực, câu này cần diễn đạt lại. -> Sai dương tính (False Positive): Mô hình báo đúng là tích cực, nhưng thực tế là tiêu cực.)

Bằng cách xác định các thông tin quan trọng mà người dùng đề cập, như tên sản phẩm, địa điểm, thời gian, v.v.

Bằng cách phân tích cảm xúc của người dùng trong câu hỏi

Bằng cách dịch câu hỏi của người dùng sang ngôn ngữ máy

Bằng cách tóm tắt câu hỏi của người dùng

NLTK

spaCy

underthesea

Stanford CoreNLP

Static word embeddings có kích thước cố định, trong khi contextual word embeddings thay đổi kích thước tùy theo ngữ cảnh

Contextual word embeddings tạo ra các biểu diễn khác nhau cho cùng một từ dựa trên ngữ cảnh xuất hiện của nó trong câu, trong khi static word embeddings tạo ra một biểu diễn duy nhất cho mỗi từ

Static word embeddings được huấn luyện trên dữ liệu lớn hơn contextual word embeddings

Contextual word embeddings chỉ phù hợp với các ngôn ngữ có ngữ pháp phức tạp

Giảm độ chính xác của mô hình trên dữ liệu huấn luyện

Tăng tốc độ huấn luyện mô hình

Mô hình có thể đưa ra các dự đoán không công bằng hoặc phân biệt đối xử đối với một số nhóm người nhất định do dữ liệu huấn luyện không đại diện hoặc phản ánh các định kiến xã hội

Mô hình trở nên khó diễn giải hơn