1000+ câu Trắc nghiệm Nhập môn xử lý ngôn ngữ tự nhiên có đáp án - Phần 4

Để tăng tốc độ huấn luyện mô hình

Để cho phép mô hình tập trung vào các phần khác nhau của đầu vào khi xử lý nó

Để giảm kích thước của mô hình

Để loại bỏ các từ dừng

Độ chính xác của mô hình phân tích cảm xúc

Độ chính xác của mô hình dịch máy

Độ chính xác của mô hình nhận dạng thực thể có tên

Độ chính xác của mô hình tóm tắt văn bản

Stemming tạo ra các từ gốc hợp lệ, trong khi lemmatization có thể tạo ra các từ không hợp lệ

Stemming nhanh hơn nhưng có thể không chính xác bằng lemmatization

Lemmatization nhanh hơn nhưng có thể không chính xác bằng stemming

Stemming sử dụng từ điển, trong khi lemmatization không sử dụng

Part-of-Speech tagging

Point-of-Sale tagging

Process-of-Speech tagging

Pattern-of-Speech tagging

Đo lường độ phức tạp của thuật toán

Đo lường khả năng dự đoán của mô hình

Đo lường tốc độ hội tụ của mô hình

Đo lường kích thước của từ vựng

Stemming

Spell checking

Lemmatization

Parsing

Để lưu trữ và quản lý thông tin về các thực thể và mối quan hệ giữa chúng

Để dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác

Để tóm tắt văn bản

Để phân loại văn bản dựa trên chủ đề

Xác định tất cả các tham chiếu đến cùng một thực thể trong văn bản

Dịch văn bản sang ngôn ngữ khác

Tóm tắt văn bản

Phân loại văn bản dựa trên chủ đề

Học từ dữ liệu không có nhãn

Học một nhiệm vụ mà không cần bất kỳ dữ liệu huấn luyện nào cho nhiệm vụ đó

Học một nhiệm vụ với rất ít dữ liệu huấn luyện

Học một nhiệm vụ nhanh hơn so với các mô hình khác

Phân loại văn bản dựa trên chủ đề

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

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác

Tóm tắt văn bản

Xác định chủ đề chính của văn bản

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

Dịch văn bản sang ngôn ngữ khác

Tóm tắt văn bản

Naive Bayes

Support Vector Machine (SVM)

Recurrent Neural Network (RNN) với kiến trúc Sequence-to-Sequence

K-means Clustering

Overfitting

Underfitting

Zero probability cho các n-gram chưa xuất hiện trong dữ liệu huấn luyện

Vanishing gradients

Quá trình loại bỏ các từ dừng

Quá trình phân tích cấu trúc cú pháp của một câu

Quá trình chuyển đổi văn bản thành dạng số

Quá trình giảm các từ về dạng gốc của chúng

Tokenization

Normalization

Vectorization

Stemming

Named Entity Recognition (NER)

Sentiment Analysis

Intent Recognition

Machine Translation

Sử dụng hàm kích hoạt sigmoid

Sử dụng hàm kích hoạt ReLU

Sử dụng L1 regularization

Sử dụng PCA (Principal Component Analysis)

Để tăng tốc độ huấn luyện mô hình

Để cho phép mô hình tập trung vào các phần quan trọng nhất của đầu vào khi đưa ra dự đoán

Để giảm kích thước của mô hình

Để loại bỏ các từ dừng

Để mã hóa các từ thành vectơ số, thể hiện ý nghĩa ngữ nghĩa của chúng

Để phân tích cú pháp của câu

Để loại bỏ các từ dừng

Để thực hiện stemming

Cosine similarity

Euclidean distance

Manhattan distance

All of the above

Một phương pháp biểu diễn văn bản dưới dạng tập hợp các từ, bỏ qua thứ tự của chúng

Một phương pháp biểu diễn văn bản dưới dạng một chuỗi liên tục các từ

Một phương pháp biểu diễn văn bản bằng cách sử dụng word embeddings

Một phương pháp biểu diễn văn bản bằng cách sử dụng TF-IDF