Quay lại danh mục Trắc nghiệm Xử lý ngôn ngữ tự nhiên

Trang chủ
Trắc nghiệm
Trắc nghiệm Xử lý ngôn ngữ tự nhiên
Bộ 11 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ 11 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Lưu ý: Nội dung trong bài Bộ 11 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án chỉ dành cho mục đích tham khảo và học tập. Ban quản trị không chịu trách nhiệm về tính pháp lý hoặc kết quả thực tế khi áp dụng các thông tin này. Chúng tôi KHÔNG yêu cầu bất kỳ quyền truy cập nào vào hệ thống của bạn, KHÔNG theo dõi thao tác và KHÔNG thu thập dữ liệu cá nhân của bạn trong suốt quá trình làm bài.

Thời gian còn lại: --:--

Kết quả của bạn:

Bạn đã đúng:

Bạn đã sai:

Tổng số câu:

Câu 1: Trong xử lý ngôn ngữ tự nhiên, kỹ thuật 'Lemmatization' khác với 'Stemming' ở điểm cốt lõi nào?

A. Stemming luôn trả về từ có nghĩa trong từ điển.
B. Lemmatization chỉ đơn giản là cắt bỏ các hậu tố của từ.
C. Lemmatization dựa trên từ điển và phân tích hình thái để đưa từ về dạng gốc có nghĩa.
D. Cả hai kỹ thuật đều cho kết quả giống hệt nhau trong mọi trường hợp.

💡 Lời giải chi tiết:

Theo phân tích phổ biến, Lemmatization sử dụng kiến thức ngôn ngữ học để đưa từ về dạng nguyên thể (lemma) có nghĩa, trong khi Stemming thường chỉ cắt bỏ phần cuối từ theo quy tắc cứng nhắc. Kết luận Lý giải Lemmatization dựa trên từ điển và phân tích hình thái để đưa từ về dạng gốc có nghĩa.

Câu 2: Mô hình Word2Vec với kiến trúc 'Skip-gram' được thiết kế để thực hiện nhiệm vụ gì?

A. Dự đoán từ mục tiêu dựa trên các từ ngữ cảnh xung quanh.
B. Dự đoán các từ ngữ cảnh xung quanh dựa trên một từ mục tiêu cho trước.
C. Phân loại văn bản thành các chủ đề khác nhau.
D. Đếm số lần xuất hiện của một từ trong toàn bộ văn bản.

💡 Lời giải chi tiết:

Kiến trúc Skip-gram trong mô hình Word2Vec hoạt động bằng cách lấy một từ làm đầu vào và cố gắng dự đoán các từ xuất hiện trong phạm vi cửa sổ ngữ cảnh của nó. Kết luận Lý giải Dự đoán các từ ngữ cảnh xung quanh dựa trên một từ mục tiêu cho trước.

Câu 3: Chỉ số TF-IDF (Term Frequency-Inverse Document Frequency) được sử dụng chủ yếu để làm gì trong NLP?

A. Đánh giá mức độ quan trọng của một từ đối với một tài liệu trong một tập hợp văn bản.
B. Tự động dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.
C. Kiểm tra lỗi chính tả trong các câu văn bản.
D. Xác định cấu trúc ngữ pháp của một câu cụ thể.

💡 Lời giải chi tiết:

TF-IDF giúp làm nổi bật các từ có giá trị thông tin cao bằng cách kết hợp tần suất xuất hiện trong tài liệu và nghịch đảo tần suất của nó trong toàn bộ kho ngữ liệu. Kết luận Lý giải Đánh giá mức độ quan trọng của một từ đối với một tài liệu trong một tập hợp văn bản.

Câu 4: Hạn chế lớn nhất của mô hình Mạng nơ-ron tái phát (RNN) truyền thống khi xử lý các chuỗi văn bản dài là gì?

A. Không thể xử lý dữ liệu dạng số.
B. Tốc độ dự đoán chậm hơn so với mô hình Transformer.
C. Vấn đề biến mất gradient (vanishing gradient) khiến mô hình khó học các phụ thuộc xa.
D. Mô hình yêu cầu quá nhiều bộ nhớ để lưu trữ từ điển.

💡 Lời giải chi tiết:

Do cơ chế lan truyền ngược qua thời gian, các gradient trong RNN truyền thống có xu hướng triệt tiêu khi chuỗi quá dài, làm mất khả năng ghi nhớ thông tin từ xa. Kết luận Lý giải Vấn đề biến mất gradient (vanishing gradient) khiến mô hình khó học các phụ thuộc xa.

Câu 5: Trong kiến trúc LSTM (Long Short-Term Memory), cổng nào chịu trách nhiệm quyết định thông tin nào từ trạng thái trước đó sẽ bị loại bỏ?

A. Cổng đầu ra (Output gate).
B. Cổng quên (Forget gate).
C. Cổng đầu vào (Input gate).
D. Cổng cập nhật (Update gate).

💡 Lời giải chi tiết:

Cổng quên (Forget gate) trong LSTM sử dụng hàm sigmoid để quyết định tỷ lệ thông tin từ trạng thái tế bào cũ cần được giữ lại hoặc xóa bỏ. Kết luận Lý giải Cổng quên (Forget gate).

Câu 6: Cơ chế 'Self-Attention' trong mô hình Transformer có vai trò chính là gì?

A. Giảm kích thước của vector nhúng từ.
B. Nén văn bản đầu vào thành một vector cố định duy nhất.
C. Giúp mô hình tập trung vào các phần khác nhau của câu đầu vào để hiểu ngữ cảnh của một từ.
D. Loại bỏ các từ dừng (stop words) khỏi câu văn.

💡 Lời giải chi tiết:

Self-attention cho phép mô hình tính toán mối quan hệ giữa tất cả các từ trong chuỗi, từ đó xác định tầm quan trọng của các từ khác đối với từ hiện tại. Kết luận Lý giải Giúp mô hình tập trung vào các phần khác nhau của câu đầu vào để hiểu ngữ cảnh của một từ.

Câu 7: Mô hình BERT (Bidirectional Encoder Representations from Transformers) được huấn luyện dựa trên kiến trúc nào của Transformer?

A. Chỉ sử dụng phần Giải mã (Decoder).
B. Chỉ sử dụng phần Mã hóa (Encoder).
C. Sử dụng cả phần Mã hóa và Giải mã.
D. Không sử dụng cơ chế Attention.

💡 Lời giải chi tiết:

BERT được thiết kế để tạo ra các biểu diễn ngữ cảnh hai chiều bằng cách xếp chồng các lớp Encoder của Transformer. Kết luận Lý giải Chỉ sử dụng phần Mã hóa (Encoder).

Câu 8: Tại sao 'Positional Encoding' lại cần thiết trong mô hình Transformer?

A. Để giảm thiểu số lượng tham số của mô hình.
B. Để mô hình có thể xử lý các từ hiếm gặp.
C. Vì Transformer xử lý các từ song song và không có cơ chế tự nhiên để hiểu thứ tự của từ.
D. Để chuyển đổi văn bản sang dạng chữ in hoa.

💡 Lời giải chi tiết:

Do không có cấu trúc tuần tự như RNN, Transformer cần Positional Encoding để cung cấp thông tin về vị trí tương đối hoặc tuyệt đối của các từ trong chuỗi. Kết luận Lý giải Vì Transformer xử lý các từ song song và không có cơ chế tự nhiên để hiểu thứ tự của từ.

Câu 9: Độ đo BLEU (Bilingual Evaluation Understudy) thường được dùng để đánh giá chất lượng của tác vụ nào?

A. Phân loại cảm xúc văn bản.
B. Dịch máy (Machine Translation).
C. Nhận dạng thực thể có tên (NER).
D. Phân đoạn từ ngữ.

💡 Lời giải chi tiết:

BLEU là một thuật toán dùng để đánh giá chất lượng văn bản được dịch máy bằng cách so sánh mức độ trùng khớp n-gram với các bản dịch tham chiếu của con người. Kết luận Lý giải Dịch máy (Machine Translation).

Câu 10: Trong tác vụ Nhận dạng thực thể có tên (NER), mục tiêu chính là gì?

A. Xác định các thành phần ngữ pháp như danh từ, động từ.
B. Tóm tắt nội dung chính của một đoạn văn dài.
C. Phát hiện và phân loại các tên riêng như người, tổ chức, địa điểm trong văn bản.
D. Chuyển đổi văn bản viết tay thành văn bản số.

💡 Lời giải chi tiết:

NER tập trung vào việc trích xuất các thông tin định danh cụ thể từ văn bản thô và gán chúng vào các nhóm thực thể đã xác định trước. Kết luận Lý giải Phát hiện và phân loại các tên riêng như người, tổ chức, địa điểm trong văn bản.

Câu 11: Mô hình GPT (Generative Pre-trained Transformer) khác BERT ở điểm cơ bản nào về kiến trúc?

A. GPT sử dụng cơ chế tích chập thay vì attention.
B. GPT là mô hình tự hồi quy (autoregressive) dựa trên phần Giải mã (Decoder).
C. GPT không sử dụng phương pháp học tiền huấn luyện (pre-training).
D. GPT chỉ xử lý được các câu văn ngắn.

💡 Lời giải chi tiết:

Trong khi BERT là mô hình mã hóa hai chiều, GPT được xây dựng trên các lớp Decoder của Transformer để dự đoán từ tiếp theo trong chuỗi theo một hướng duy nhất. Kết luận Lý giải GPT là mô hình tự hồi quy (autoregressive) dựa trên phần Giải mã (Decoder).

Câu 12: Phương pháp 'Byte Pair Encoding' (BPE) được sử dụng trong NLP nhằm giải quyết vấn đề gì?

A. Vấn đề từ ngoài từ điển (Out-of-vocabulary) bằng cách chia nhỏ từ thành các đơn vị subword.
B. Tăng tốc độ huấn luyện mô hình bằng cách loại bỏ các từ hiếm.
C. Mã hóa văn bản thành các bit nhị phân để tiết kiệm bộ nhớ.
D. Tự động sửa lỗi ngữ pháp trong câu.

💡 Lời giải chi tiết:

BPE cho phép mô hình biểu diễn các từ lạ hoặc từ hiếm thông qua các đơn vị con (subwords) phổ biến, từ đó hạn chế tối đa lỗi OOV. Kết luận Lý giải Vấn đề từ ngoài từ điển (Out-of-vocabulary) bằng cách chia nhỏ từ thành các đơn vị subword.

Câu 13: Chỉ số 'Perplexity' trong mô hình ngôn ngữ (Language Model) thể hiện điều gì?

A. Độ phức tạp của thuật toán huấn luyện.
B. Khả năng dự đoán của mô hình, giá trị thấp hơn thường cho thấy mô hình tốt hơn.
C. Số lượng tham số có trong mô hình mạng nơ-ron.
D. Thời gian cần thiết để xử lý một câu văn bản.

💡 Lời giải chi tiết:

Perplexity đo lường mức độ 'bối rối' của mô hình khi gặp dữ liệu mới; mô hình càng ít bối rối (chỉ số thấp) thì khả năng dự đoán xác suất chuỗi càng chính xác. Kết luận Lý giải Khả năng dự đoán của mô hình, giá trị thấp hơn thường cho thấy mô hình tốt hơn.

Câu 14: Lợi ích chính của việc sử dụng 'FastText' so với 'Word2Vec' truyền thống là gì?

A. FastText không cần dữ liệu huấn luyện lớn.
B. FastText sử dụng ít bộ nhớ RAM hơn khi chạy.
C. FastText xem xét thông tin n-gram của các ký tự trong từ, giúp xử lý tốt các từ biến thể.
D. FastText chỉ hoạt động hiệu quả với tiếng Anh.

💡 Lời giải chi tiết:

Bằng cách biểu diễn từ dưới dạng tập hợp các n-gram ký tự, FastText có thể tạo ra vector cho các từ chưa từng xuất hiện trong quá trình huấn luyện dựa trên cấu trúc của chúng. Kết luận Lý giải FastText xem xét thông tin n-gram của các ký tự trong từ, giúp xử lý tốt các từ biến thể.

Câu 15: Kỹ thuật 'Stop words removal' thường không được khuyến khích trong tác vụ nào sau đây?

A. Phân loại thư rác (Spam detection).
B. Đếm tần suất từ để vẽ đám mây từ (Word cloud).
C. Dịch máy hoặc Tóm tắt văn bản vì nó làm mất cấu trúc ngữ pháp và ý nghĩa ngữ cảnh.
D. Xác định các từ khóa chính của văn bản.

💡 Lời giải chi tiết:

Trong các tác vụ sinh ngôn ngữ tự nhiên, các từ dừng như giới từ hay liên từ đóng vai trò quan trọng trong việc duy trì tính mạch lạc và ngữ pháp của câu. Kết luận Lý giải Dịch máy hoặc Tóm tắt văn bản vì nó làm mất cấu trúc ngữ pháp và ý nghĩa ngữ cảnh.

Câu 16: Hàm kích hoạt 'Softmax' ở lớp cuối cùng của mô hình phân loại văn bản đa lớp có tác dụng gì?

A. Chuyển đổi các giá trị đầu ra thành phân phối xác suất có tổng bằng 1.
B. Loại bỏ các giá trị âm trong vector đặc trưng.
C. Tăng cường độ mạnh của các tín hiệu gradient.
D. Nén dữ liệu đầu vào về khoảng từ -1 đến 1.

💡 Lời giải chi tiết:

Hàm Softmax chuẩn hóa các điểm số thô (logits) từ lớp cuối cùng thành các xác suất tương ứng cho mỗi lớp, giúp mô hình đưa ra dự đoán lớp khả thi nhất. Kết luận Lý giải Chuyển đổi các giá trị đầu ra thành phân phối xác suất có tổng bằng 1.

Câu 17: Trong mô hình Transformer, việc sử dụng 'Multi-head Attention' thay vì một đầu Attention duy nhất nhằm mục đích gì?

A. Để giảm chi phí tính toán của mô hình.
B. Cho phép mô hình đồng thời chú ý đến thông tin từ các không gian biểu diễn khác nhau.
C. Để ngăn chặn hiện tượng quá khớp (overfitting).
D. Để có thể xử lý văn bản ở nhiều ngôn ngữ khác nhau cùng lúc.

💡 Lời giải chi tiết:

Cơ chế đa đầu cho phép mô hình thu nhận các mối quan hệ ngữ cảnh đa dạng (như cú pháp, ngữ nghĩa) tại các vị trí khác nhau trong chuỗi cùng một lúc. Kết luận Lý giải Cho phép mô hình đồng thời chú ý đến thông tin từ các không gian biểu diễn khác nhau.

Câu 18: Khái niệm 'Transfer Learning' trong NLP thường được thực hiện thông qua quy trình nào?

A. Huấn luyện mô hình từ đầu với một tập dữ liệu nhỏ.
B. Sử dụng một mô hình đã được tiền huấn luyện trên kho dữ liệu khổng lồ và tinh chỉnh (fine-tuning) cho tác vụ cụ thể.
C. Chuyển đổi dữ liệu văn bản sang dạng hình ảnh để xử lý.
D. Sử dụng các quy tắc logic cứng nhắc để thay thế mạng nơ-ron.

💡 Lời giải chi tiết:

Học chuyển đổi giúp tận dụng các tri thức ngôn ngữ tổng quát mà mô hình lớn đã học được để áp dụng vào các bài toán chuyên biệt với ít dữ liệu hơn. Kết luận Lý giải Sử dụng một mô hình đã được tiền huấn luyện trên kho dữ liệu khổng lồ và tinh chỉnh (fine-tuning) cho tác vụ cụ thể.

Câu 19: Sự khác biệt chính giữa 'Dependency Parsing' và 'Constituency Parsing' là gì?

A. Dependency Parsing tập trung vào mối quan hệ giữa các từ đơn lẻ, còn Constituency Parsing tập trung vào cấu trúc phân cấp của các cụm từ.
B. Dependency Parsing chỉ dùng cho tiếng Anh, còn Constituency Parsing dùng cho mọi ngôn ngữ.
C. Constituency Parsing nhanh hơn Dependency Parsing về tốc độ tính toán.
D. Không có sự khác biệt nào đáng kể giữa hai phương pháp này.

💡 Lời giải chi tiết:

Phân tích phụ thuộc (Dependency) xác định các liên kết trực tiếp giữa từ trung tâm và từ bổ trợ, trong khi phân tích thành phần (Constituency) chia câu thành các nhóm ngữ pháp lồng nhau. Kết luận Lý giải Dependency Parsing tập trung vào mối quan hệ giữa các từ đơn lẻ, còn Constituency Parsing tập trung vào cấu trúc phân cấp của các cụm từ.

Câu 20: Mô hình T5 (Text-to-Text Transfer Transformer) đề xuất phương pháp tiếp cận chung cho các tác vụ NLP như thế nào?

A. Chuyển mọi bài toán NLP thành bài toán phân loại nhị phân.
B. Mỗi tác vụ sử dụng một kiến trúc mạng nơ-ron hoàn toàn khác nhau.
C. Coi mọi tác vụ NLP đều là bài toán chuyển đổi từ một chuỗi văn bản sang một chuỗi văn bản khác.
D. Chỉ sử dụng các thuật toán máy học truyền thống như SVM.

💡 Lời giải chi tiết:

Mô hình T5 sử dụng một khuôn mẫu chung 'văn bản sang văn bản' cho tất cả các nhiệm vụ từ dịch thuật, tóm tắt đến phân loại, giúp đơn hóa quy trình huấn luyện và sử dụng. Kết luận Lý giải Coi mọi tác vụ NLP đều là bài toán chuyển đổi từ một chuỗi văn bản sang một chuỗi văn bản khác.

Câu 21: Kỹ thuật 'Beam Search' thường được sử dụng trong quá trình giải mã của các mô hình sinh ngôn ngữ nhằm mục đích gì?

A. Để tìm ra từ có xác suất cao nhất tại mỗi bước một cách độc lập.
B. Để giảm thiểu kích thước của từ điển đầu ra.
C. Để tìm kiếm chuỗi đầu ra có tổng xác suất cao nhất bằng cách giữ lại một số ứng cử viên tiềm năng tại mỗi bước.
D. Để mô hình không bao giờ lặp lại các từ đã sinh ra.

💡 Lời giải chi tiết:

So với Greedy Search, Beam Search giúp mở rộng không gian tìm kiếm bằng cách duy trì 'k' chuỗi tốt nhất, từ đó thường dẫn đến kết quả sinh văn bản chất lượng hơn. Kết luận Lý giải Để tìm kiếm chuỗi đầu ra có tổng xác suất cao nhất bằng cách giữ lại một số ứng cử viên tiềm năng tại mỗi bước.

Câu 22: Độ đo ROUGE (Recall-Oriented Understudy for Gisting Evaluation) thường được ưu tiên sử dụng cho bài toán nào?

A. Nhận diện giọng nói.
B. Tóm tắt văn bản (Text Summarization).
C. Gán nhãn từ loại (Part-of-speech tagging).
D. Phân tích cú pháp.

💡 Lời giải chi tiết:

ROUGE đo lường mức độ bao phủ (recall) của các đơn vị văn bản trong bản tóm tắt do máy tạo ra so với các bản tóm tắt mẫu của con người. Kết luận Lý giải Tóm tắt văn bản (Text Summarization).

Câu 23: Trong học sâu cho NLP, lớp 'Embedding' thực hiện chức năng gì?

A. Nén văn bản thành tệp tin có kích thước nhỏ hơn.
B. Ánh xạ các chỉ số của từ thành các vector số thực có kích thước cố định mang thông tin ngữ nghĩa.
C. Xóa bỏ các ký tự đặc biệt khỏi văn bản thô.
D. Tính toán khoảng cách giữa các câu văn.

💡 Lời giải chi tiết:

Lớp Embedding chuyển đổi các mã định danh rời rạc của từ thành các không gian vector liên tục, cho phép mạng nơ-ron học được mối quan hệ giữa các từ thông qua khoảng cách vector. Kết luận Lý giải Ánh xạ các chỉ số của từ thành các vector số thực có kích thước cố định mang thông tin ngữ nghĩa.

Câu 24: Mô hình ngôn ngữ 'Masked Language Model' (như trong BERT) được huấn luyện bằng cách nào?

A. Dự đoán từ tiếp theo trong một câu văn.
B. Che đi một số từ trong câu và yêu cầu mô hình dự đoán chính xác các từ bị che đó dựa trên ngữ cảnh xung quanh.
C. Xác định xem hai câu văn có liên quan đến nhau hay không.
D. Đảo ngược thứ tự các từ trong câu và yêu cầu mô hình sắp xếp lại.

💡 Lời giải chi tiết:

Nhiệm vụ MLM cho phép mô hình học được biểu diễn hai chiều bằng cách buộc nó phải hiểu ngữ cảnh cả bên trái và bên phải của từ bị che khuất. Kết luận Lý giải Che đi một số từ trong câu và yêu cầu mô hình dự đoán chính xác các từ bị che đó dựa trên ngữ cảnh xung quanh.

Câu 25: Sự khác biệt giữa 'GloVe' và 'Word2Vec' là gì?

A. Word2Vec dựa trên thống kê toàn cục, còn GloVe dựa trên cửa sổ trượt cục bộ.
B. GloVe dựa trên việc phân tích ma trận đồng xuất hiện từ (co-occurrence matrix) trên toàn bộ kho ngữ liệu.
C. GloVe không thể tạo ra vector cho các từ hiếm.
D. Word2Vec luôn cho kết quả tốt hơn GloVe trong mọi tác vụ.

💡 Lời giải chi tiết:

GloVe kết hợp ưu điểm của phương pháp phân tích ma trận toàn cục và các phương pháp dựa trên ngữ cảnh cục bộ để tạo ra không gian vector từ. Kết luận Lý giải GloVe dựa trên việc phân tích ma trận đồng xuất hiện từ (co-occurrence matrix) trên toàn bộ kho ngữ liệu.

Danh sách trắc nghiệm Làm bài tiếp theo

Danh sách các bộ trắc nghiệm:

Các bài trắc nghiệm liên quan

Bộ 12 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 147 lượt làm

Làm ngay

Bộ 13 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 164 lượt làm

Làm ngay

Bộ 14 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 181 lượt làm

Làm ngay

Bộ 15 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 198 lượt làm

Làm ngay

Bộ 1 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 160 lượt làm

Làm ngay

Bộ 2 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 177 lượt làm

Làm ngay

Bộ 11 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Kết quả của bạn:

Câu 1: Trong xử lý ngôn ngữ tự nhiên, kỹ thuật 'Lemmatization' khác với 'Stemming' ở điểm cốt lõi nào?

Câu 2: Mô hình Word2Vec với kiến trúc 'Skip-gram' được thiết kế để thực hiện nhiệm vụ gì?

Câu 3: Chỉ số TF-IDF (Term Frequency-Inverse Document Frequency) được sử dụng chủ yếu để làm gì trong NLP?

Câu 4: Hạn chế lớn nhất của mô hình Mạng nơ-ron tái phát (RNN) truyền thống khi xử lý các chuỗi văn bản dài là gì?

Câu 5: Trong kiến trúc LSTM (Long Short-Term Memory), cổng nào chịu trách nhiệm quyết định thông tin nào từ trạng thái trước đó sẽ bị loại bỏ?

Câu 6: Cơ chế 'Self-Attention' trong mô hình Transformer có vai trò chính là gì?

Câu 7: Mô hình BERT (Bidirectional Encoder Representations from Transformers) được huấn luyện dựa trên kiến trúc nào của Transformer?

Câu 8: Tại sao 'Positional Encoding' lại cần thiết trong mô hình Transformer?

Câu 9: Độ đo BLEU (Bilingual Evaluation Understudy) thường được dùng để đánh giá chất lượng của tác vụ nào?

Câu 10: Trong tác vụ Nhận dạng thực thể có tên (NER), mục tiêu chính là gì?

Câu 11: Mô hình GPT (Generative Pre-trained Transformer) khác BERT ở điểm cơ bản nào về kiến trúc?

Câu 12: Phương pháp 'Byte Pair Encoding' (BPE) được sử dụng trong NLP nhằm giải quyết vấn đề gì?

Câu 13: Chỉ số 'Perplexity' trong mô hình ngôn ngữ (Language Model) thể hiện điều gì?

Câu 14: Lợi ích chính của việc sử dụng 'FastText' so với 'Word2Vec' truyền thống là gì?

Câu 15: Kỹ thuật 'Stop words removal' thường không được khuyến khích trong tác vụ nào sau đây?

Câu 16: Hàm kích hoạt 'Softmax' ở lớp cuối cùng của mô hình phân loại văn bản đa lớp có tác dụng gì?

Câu 17: Trong mô hình Transformer, việc sử dụng 'Multi-head Attention' thay vì một đầu Attention duy nhất nhằm mục đích gì?

Câu 18: Khái niệm 'Transfer Learning' trong NLP thường được thực hiện thông qua quy trình nào?

Câu 19: Sự khác biệt chính giữa 'Dependency Parsing' và 'Constituency Parsing' là gì?

Câu 20: Mô hình T5 (Text-to-Text Transfer Transformer) đề xuất phương pháp tiếp cận chung cho các tác vụ NLP như thế nào?

Câu 21: Kỹ thuật 'Beam Search' thường được sử dụng trong quá trình giải mã của các mô hình sinh ngôn ngữ nhằm mục đích gì?

Câu 22: Độ đo ROUGE (Recall-Oriented Understudy for Gisting Evaluation) thường được ưu tiên sử dụng cho bài toán nào?

Câu 23: Trong học sâu cho NLP, lớp 'Embedding' thực hiện chức năng gì?

Câu 24: Mô hình ngôn ngữ 'Masked Language Model' (như trong BERT) được huấn luyện bằng cách nào?

Câu 25: Sự khác biệt giữa 'GloVe' và 'Word2Vec' là gì?

Danh sách các bộ trắc nghiệm:

Voviethoang.top

Voviethoangseo.com

Seogenz.top