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

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

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

Thời gian còn lại: --:--

Kết quả của bạn:

Bạn đã đúng:

Bạn đã sai:

Tổng số câu:

Câu 1: Trong tiền xử lý văn bản (Text Preprocessing), kỹ thuật 'Tokenization' có mục đích chính là gì?

A. Loại bỏ các từ dừng thường xuất hiện để giảm nhiễu dữ liệu.
B. Chia nhỏ văn bản thành các đơn vị nhỏ hơn như từ, cụm từ hoặc ký tự.
C. Chuyển đổi các từ về dạng gốc nguyên thể của chúng.
D. Gán nhãn từ loại cho từng từ trong câu văn.

💡 Lời giải chi tiết:

Theo phân tích phổ biến trong tiền xử lý văn bản, Tokenization là bước cơ bản để phân rã một chuỗi văn bản lớn thành các phần tử cơ bản có nghĩa. Kết luận Lý giải Chia nhỏ văn bản thành các đơn vị nhỏ hơn như từ, cụm từ hoặc ký tự.

Câu 2: Sự khác biệt cốt lõi giữa 'Stemming' và 'Lemmatization' là gì?

A. Stemming dựa trên từ điển trong khi Lemmatization chỉ cắt bỏ các hậu tố theo quy tắc.
B. Lemmatization luôn tạo ra kết quả ngắn hơn so với Stemming.
C. Lemmatization sử dụng từ điển và phân tích hình thái để đưa từ về dạng gốc có nghĩa, còn Stemming cắt bỏ hậu tố theo quy tắc cứng nhắc.
D. Stemming và Lemmatization hoàn toàn giống nhau về mặt kỹ thuật và kết quả.

💡 Lời giải chi tiết:

Theo phân tích phổ biến về ngôn ngữ học máy tính, Lemmatization đảm bảo từ đầu ra là một từ có thực trong từ điển nhờ vào phân tích ngữ cảnh và từ loại. Kết luận Lý giải Lemmatization sử dụng từ điển và phân tích hình thái để đưa từ về dạng gốc có nghĩa, còn Stemming cắt bỏ hậu tố theo quy tắc cứng nhắc.

Câu 3: Tại sao việc loại bỏ 'Stop words' (từ dừng) lại quan trọng trong một số bài toán phân loại văn bản?

A. Vì từ dừng thường mang nhiều thông tin ngữ nghĩa nhất trong câu.
B. Để giảm chiều không gian đặc trưng và loại bỏ các từ phổ biến không mang nhiều giá trị phân loại.
C. Để giúp mô hình hiểu được cấu trúc ngữ pháp của câu tốt hơn.
D. Để tăng độ phức tạp của mô hình học máy.

💡 Lời giải chi tiết:

Theo phân tích phổ biến, các từ như 'là', 'của', 'và' xuất hiện rất nhiều nhưng ít hỗ trợ việc phân biệt các chủ đề văn bản khác nhau. Kết luận Lý giải Để giảm chiều không gian đặc trưng và loại bỏ các từ phổ biến không mang nhiều giá trị phân loại.

Câu 4: Trong mô hình N-gram, một 'Bigram' được định nghĩa như thế nào?

A. Một chuỗi gồm ba từ xuất hiện liên tiếp nhau trong văn bản.
B. Một chuỗi gồm hai từ xuất hiện liên tiếp nhau trong văn bản.
C. Một từ đơn lẻ xuất hiện trong bộ từ vựng.
D. Tần suất xuất hiện của một từ trong toàn bộ văn bản.

💡 Lời giải chi tiết:

Theo định nghĩa lý thuyết về mô hình ngôn ngữ xác suất, N-gram là chuỗi n phần tử liên tiếp, do đó Bigram tương ứng với n bằng 2. Kết luận Lý giải Một chuỗi gồm hai từ xuất hiện liên tiếp nhau trong văn bản.

Câu 5: Thành phần IDF (Inverse Document Frequency) trong công thức TF-IDF có ý nghĩa gì?

A. Đếm số lần một từ xuất hiện trong một tài liệu cụ thể.
B. Tăng trọng số cho các từ xuất hiện ở hầu hết các tài liệu trong bộ dữ liệu.
C. Giảm trọng số của các từ xuất hiện quá phổ biến ở nhiều tài liệu và tăng trọng số cho các từ hiếm mang tính đặc trưng.
D. Tính tổng số từ có trong một tài liệu.

💡 Lời giải chi tiết:

Theo phân tích phổ biến về khai phá dữ liệu văn bản, IDF giúp nhận diện những từ mang tính đặc thù cao cho từng tài liệu bằng cách nghịch đảo tần suất tài liệu. Kết luận Lý giải Giảm trọng số của các từ xuất hiện quá phổ biến ở nhiều tài liệu và tăng trọng số cho các từ hiếm mang tính đặc trưng.

Câu 6: Nhiệm vụ của 'Named Entity Recognition' (NER) trong NLP là gì?

A. Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.
B. Tóm tắt nội dung chính của một đoạn văn bản dài.
C. Phát hiện và phân loại các thực thể có tên như người, tổ chức, địa danh trong văn bản.
D. Kiểm tra lỗi chính tả trong văn bản.

💡 Lời giải chi tiết:

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

Câu 7: Kỹ thuật 'POS Tagging' thực hiện công việc nào sau đây?

A. Xác định vai trò ngữ pháp của mỗi từ trong câu (danh từ, động từ, tính từ...).
B. Tính toán độ tương đồng giữa hai câu văn.
C. Chuyển đổi âm thanh thành văn bản.
D. Phân tích cảm xúc của người viết văn bản.

💡 Lời giải chi tiết:

Theo phân tích phổ biến về cú pháp học, gán nhãn từ loại (Part-of-Speech Tagging) là quá trình gán một thẻ từ loại cho mỗi từ dựa trên định nghĩa và ngữ cảnh của nó. Kết luận Lý giải Xác định vai trò ngữ pháp của mỗi từ trong câu (danh từ, động từ, tính từ...).

Câu 8: Trong Word2Vec, kiến trúc 'Skip-gram' hoạt động theo cơ chế nào?

A. Sử dụng các từ ngữ cảnh để dự đoán từ mục tiêu ở giữa.
B. Sử dụng một từ mục tiêu để dự đoán các từ ngữ cảnh xung quanh nó.
C. Sử dụng thứ tự bảng chữ cái để sắp xếp các từ.
D. Loại bỏ hoàn toàn các từ không có trong từ điển.

💡 Lời giải chi tiết:

Theo phân tích phổ biến của Mikolov và cộng sự, Skip-gram hiệu quả hơn với các bộ dữ liệu nhỏ và biểu diễn tốt các từ hiếm bằng cách dự đoán ngữ cảnh từ từ trung tâm. Kết luận Lý giải Sử dụng một từ mục tiêu để dự đoán các từ ngữ cảnh xung quanh nó.

Câu 9: Chỉ số 'BLEU score' thường được sử dụng để đánh giá chất lượng của hệ thống nào?

A. Hệ thống phân loại thư rác.
B. Hệ thống nhận dạng giọng nói.
C. Hệ thống dịch máy (Machine Translation).
D. Hệ thống tìm kiếm thông tin.

💡 Lời giải chi tiết:

Theo phân tích phổ biến về đánh giá NLP, BLEU tính toán sự tương đồng giữa kết quả máy dịch và các bản dịch tham chiếu của con người. Kết luận Lý giải Hệ thống dịch máy (Machine Translation).

Câu 10: Cơ chế 'Attention' trong các mô hình Seq2Seq giải quyết vấn đề gì của mạng RNN truyền thống?

A. Giúp mô hình chạy nhanh hơn trên CPU.
B. Cho phép mô hình tập trung vào các phần liên quan của chuỗi đầu vào khi tạo ra mỗi từ ở đầu ra.
C. Loại bỏ hoàn toàn nhu cầu sử dụng vector ngữ cảnh.
D. Giảm số lượng tham số cần huấn luyện trong mô hình.

💡 Lời giải chi tiết:

Theo phân tích phổ biến về kiến trúc mạng neural, cơ chế chú ý giúp khắc phục hạn chế của vector trạng thái ẩn có độ dài cố định khi xử lý các câu dài. Kết luận Lý giải Cho phép mô hình tập trung vào các phần liên quan của chuỗi đầu vào khi tạo ra mỗi từ ở đầu ra.

Câu 11: Đặc điểm nổi bật nhất của mô hình 'Transformer' so với các mô hình RNN là gì?

A. Transformer xử lý các từ trong câu một cách tuần tự từ trái sang phải.
B. Transformer không sử dụng các lớp tích chập (Convolutional layers).
C. Transformer có khả năng song song hóa việc tính toán nhờ cơ chế self-attention thay vì tính toán tuần tự.
D. Transformer chỉ có thể xử lý được các câu văn ngắn.

💡 Lời giải chi tiết:

Theo phân tích phổ biến từ bài báo 'Attention Is All You Need', Transformer loại bỏ tính tuần tự của RNN, cho phép huấn luyện nhanh hơn trên các thiết bị phần cứng hiện đại. Kết luận Lý giải Transformer có khả năng song song hóa việc tính toán nhờ cơ chế self-attention thay vì tính toán tuần tự.

Câu 12: Mô hình 'BERT' sử dụng phương pháp huấn luyện nào để hiểu ngữ cảnh hai chiều?

A. Dự đoán từ tiếp theo trong câu (Next Word Prediction).
B. Mô hình ngôn ngữ che (Masked Language Modeling - MLM).
C. Dịch văn bản ngược từ phải sang trái.
D. Chỉ sử dụng phần Decoder của kiến trúc Transformer.

💡 Lời giải chi tiết:

Theo phân tích phổ biến về các mô hình ngôn ngữ tiền huấn luyện, BERT che đi một số từ trong câu và yêu cầu mô hình dự đoán chúng dựa trên cả ngữ cảnh đứng trước và đứng sau. Kết luận Lý giải Mô hình ngôn ngữ che (Masked Language Modeling - MLM).

Câu 13: Trong NLP, hiện tượng một từ có nhiều nghĩa khác nhau tùy vào ngữ cảnh được gọi là gì?

A. Synonymy (Đồng nghĩa).
B. Polysemy (Đa nghĩa).
C. Hyponymy (Hạ nghĩa).
D. Antonymy (Trái nghĩa).

💡 Lời giải chi tiết:

Theo phân tích phổ biến trong ngữ nghĩa học, Polysemy là hiện tượng một từ có nhiều nghĩa nhưng các nghĩa đó thường có liên quan logic với nhau. Kết luận Lý giải Polysemy (Đa nghĩa).

Câu 14: Phương pháp 'Cosine Similarity' dùng để làm gì trong xử lý ngôn ngữ tự nhiên?

A. Đo lường góc giữa hai vector để xác định độ tương đồng về mặt ngữ nghĩa giữa hai văn bản.
B. Tính toán xác suất xuất hiện của một từ trong câu.
C. Phân loại văn bản vào các nhóm khác nhau dựa trên chủ đề.
D. Đếm số lượng từ trùng lặp chính xác giữa hai câu.

💡 Lời giải chi tiết:

Theo phân tích phổ biến trong không gian vector, độ tương đồng Cosine tập trung vào hướng của vector thay vì độ dài, giúp so sánh nội dung văn bản hiệu quả. Kết luận Lý giải Đo lường góc giữa hai vector để xác định độ tương đồng về mặt ngữ nghĩa giữa hai văn bản.

Câu 15: Mô hình 'GPT' (Generative Pre-trained Transformer) chủ yếu dựa trên thành phần nào của Transformer?

A. Encoder.
B. Decoder.
C. Cả Encoder và Decoder.
D. Lớp Embedding duy nhất.

💡 Lời giải chi tiết:

Theo phân tích phổ biến về kiến trúc GPT, đây là mô hình autoregressive sử dụng các khối Decoder xếp chồng lên nhau để dự đoán token tiếp theo. Kết luận Lý giải Decoder.

Câu 16: Lợi ích chính của việc sử dụng 'FastText' so với 'Word2Vec' truyền thống là gì?

A. FastText có kích thước mô hình nhỏ hơn nhiều.
B. FastText có thể xử lý các từ chưa từng xuất hiện trong từ điển (OOV) nhờ vào thông tin subword.
C. FastText chỉ hoạt động tốt với tiếng Anh.
D. FastText không cần sử dụng mạng neural để huấn luyện.

💡 Lời giải chi tiết:

Theo phân tích phổ biến về Word Embedding, FastText biểu diễn từ dưới dạng tổng các vector của các n-gram ký tự, giúp hiểu được cấu trúc của các từ hiếm hoặc từ mới. Kết luận Lý giải FastText có thể xử lý các từ chưa từng xuất hiện trong từ điển (OOV) nhờ vào thông tin subword.

Câu 17: Trong đánh giá mô hình tóm tắt văn bản, chỉ số nào thường được ưu tiên sử dụng?

A. Precision.
B. Recall.
C. ROUGE score.
D. Accuracy.

💡 Lời giải chi tiết:

Theo phân tích phổ biến về đánh giá tóm tắt văn bản, ROUGE đo lường mức độ bao phủ của các đơn vị n-gram giữa bản tóm tắt máy tạo và bản tóm tắt chuẩn. Kết luận Lý giải ROUGE score.

Câu 18: Hạn chế lớn nhất của mô hình 'Bag of Words' (BoW) là gì?

A. Tính toán quá chậm trên các máy tính hiện đại.
B. Yêu cầu rất nhiều bộ nhớ để lưu trữ dữ liệu.
C. Hoàn toàn mất đi thông tin về thứ tự và ngữ cảnh của các từ trong câu.
D. Không thể xử lý được các con số trong văn bản.

💡 Lời giải chi tiết:

Theo phân tích phổ biến, do chỉ quan tâm đến tần suất xuất hiện, BoW coi các câu có cùng tập hợp từ nhưng thứ tự khác nhau là giống hệt nhau. Kết luận Lý giải Hoàn toàn mất đi thông tin về thứ tự và ngữ cảnh của các từ trong câu.

Câu 19: Trong bài toán 'Sentiment Analysis', mục tiêu chính là gì?

A. Xác định ngôn ngữ của văn bản đầu vào.
B. Phân loại thái độ, cảm xúc (tích cực, tiêu cực, trung tính) của người viết trong văn bản.
C. Dự đoán giá cổ phiếu dựa trên tin tức tài chính.
D. Tìm kiếm các từ khóa quan trọng trong đoạn văn.

💡 Lời giải chi tiết:

Theo phân tích phổ biến về phân tích ý kiến, Sentiment Analysis giúp doanh nghiệp hiểu được phản hồi của khách hàng thông qua sắc thái ngôn ngữ. Kết luận Lý giải Phân loại thái độ, cảm xúc (tích cực, tiêu cực, trung tính) của người viết trong văn bản.

Câu 20: Mô hình ngôn ngữ (Language Model) có nhiệm vụ cơ bản là gì?

A. Xác định xác suất của một chuỗi các từ hoặc dự đoán từ tiếp theo trong chuỗi.
B. Sửa lỗi ngữ pháp tự động cho mọi loại văn bản.
C. Mô phỏng lại giọng nói của một người cụ thể.
D. Lưu trữ toàn bộ kiến thức của nhân loại vào một cơ sở dữ liệu.

💡 Lời giải chi tiết:

Theo phân tích phổ biến trong NLP, mô hình ngôn ngữ học phân phối xác suất trên các chuỗi ký tự hoặc từ để đánh giá độ tự nhiên của câu. Kết luận Lý giải Xác định xác suất của một chuỗi các từ hoặc dự đoán từ tiếp theo trong chuỗi.

Câu 21: Khái niệm 'Perplexity' trong NLP được dùng để làm gì?

A. Đánh giá độ phức tạp về mặt thuật toán của mô hình.
B. Đo lường mức độ 'ngạc nhiên' hoặc độ không chắc chắn của mô hình ngôn ngữ khi nhìn thấy dữ liệu mới.
C. Tính toán thời gian cần thiết để huấn luyện một mô hình.
D. Xác định độ dài trung bình của các câu trong bộ dữ liệu.

💡 Lời giải chi tiết:

Theo phân tích phổ biến về đánh giá mô hình xác suất, chỉ số Perplexity càng thấp thì mô hình ngôn ngữ đó càng tốt trong việc dự đoán chuỗi từ. Kết luận Lý giải Đo lường mức độ 'ngạc nhiên' hoặc độ không chắc chắn của mô hình ngôn ngữ khi nhìn thấy dữ liệu mới.

Câu 22: Trong kỹ thuật 'Dependency Parsing', mối quan hệ giữa các từ được biểu diễn như thế nào?

A. Dưới dạng một danh sách các từ vựng không có liên kết.
B. Dưới dạng một cấu trúc cây thể hiện mối quan hệ phụ thuộc giữa các từ (từ chính và từ phụ thuộc).
C. Dưới dạng các bảng tần suất xuất hiện.
D. Dưới dạng một biểu đồ tròn phân chia tỷ lệ từ loại.

💡 Lời giải chi tiết:

Theo phân tích phổ biến về cú pháp học, phân tích phụ thuộc giúp xác định cấu trúc ngữ pháp bằng cách nối các từ bằng các cung có nhãn. Kết luận Lý giải Dưới dạng một cấu trúc cây thể hiện mối quan hệ phụ thuộc giữa các từ (từ chính và từ phụ thuộc).

Câu 23: Tại sao các mô hình 'Contextualized Word Embeddings' như ELMo lại ưu việt hơn Word2Vec?

A. Vì chúng chiếm ít bộ nhớ hơn Word2Vec.
B. Vì chúng tạo ra các vector giống nhau cho cùng một từ bất kể ngữ cảnh.
C. Vì chúng tạo ra các biểu diễn vector khác nhau cho cùng một từ dựa trên các ngữ cảnh sử dụng khác nhau.
D. Vì chúng không cần quá trình huấn luyện phức tạp.

💡 Lời giải chi tiết:

Theo phân tích phổ biến về biểu diễn từ, các mô hình nhúng theo ngữ cảnh giải quyết được vấn đề từ đồng âm bằng cách xem xét toàn bộ câu văn xung quanh từ đó. Kết luận Lý giải Vì chúng tạo ra các biểu diễn vector khác nhau cho cùng một từ dựa trên các ngữ cảnh sử dụng khác nhau.

Câu 24: Chiến lược 'Beam Search' trong giải mã (decoding) có ưu điểm gì so với 'Greedy Search'?

A. Beam Search luôn chọn từ có xác suất cao nhất tại mỗi bước duy nhất.
B. Beam Search tìm kiếm trên một không gian rộng hơn bằng cách giữ lại k kết quả triển vọng nhất thay vì chỉ một.
C. Beam Search làm cho mô hình chạy nhanh hơn Greedy Search.
D. Beam Search không bao giờ tạo ra các câu văn bị lặp từ.

💡 Lời giải chi tiết:

Theo phân tích phổ biến về các thuật toán tìm kiếm trong NLP, Beam Search giúp tránh việc rơi vào tối ưu cục bộ bằng cách duy trì nhiều giả thuyết song song. Kết luận Lý giải Beam Search tìm kiếm trên một không gian rộng hơn bằng cách giữ lại k kết quả triển vọng nhất thay vì chỉ một.

Câu 25: Kỹ thuật 'Masked Language Modeling' (MLM) của BERT giải quyết vấn đề gì của các mô hình ngôn ngữ truyền thống?

A. Nó cho phép mô hình nhìn thấy cả từ bên trái và bên phải của từ bị che mà không bị rò rỉ thông tin mục tiêu.
B. Nó giúp mô hình học cách dịch từ sang các ngôn ngữ khác nhanh hơn.
C. Nó loại bỏ sự cần thiết của các lớp Attention.
D. Nó tập trung hoàn toàn vào việc học các từ dừng trong câu.

💡 Lời giải chi tiết:

Theo phân tích phổ biến về huấn luyện BERT, MLM cho phép huấn luyện một bộ mã hóa hai chiều sâu sắc mà các mô hình dự đoán từ tiếp theo tuần tự không làm được. Kết luận Lý giải Nó cho phép mô hình nhìn thấy cả từ bên trái và bên phải của từ bị che mà không bị rò rỉ thông tin mục tiêu.

Danh sách trắc nghiệm Làm bài tiếp theo

Danh sách các bộ trắc nghiệm:

Các bài trắc nghiệm liên quan

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

Đề thi 164 lượt làm

Làm ngay

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

Đề thi 181 lượt làm

Làm ngay

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

Đề thi 198 lượt làm

Làm ngay

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

Đề thi 160 lượt làm

Làm ngay

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

Đề thi 177 lượt làm

Làm ngay

Bộ 3 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Đề thi 194 lượt làm

Làm ngay

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

Kết quả của bạn:

Câu 1: Trong tiền xử lý văn bản (Text Preprocessing), kỹ thuật 'Tokenization' có mục đích chính là gì?

Câu 2: Sự khác biệt cốt lõi giữa 'Stemming' và 'Lemmatization' là gì?

Câu 3: Tại sao việc loại bỏ 'Stop words' (từ dừng) lại quan trọng trong một số bài toán phân loại văn bản?

Câu 4: Trong mô hình N-gram, một 'Bigram' được định nghĩa như thế nào?

Câu 5: Thành phần IDF (Inverse Document Frequency) trong công thức TF-IDF có ý nghĩa gì?

Câu 6: Nhiệm vụ của 'Named Entity Recognition' (NER) trong NLP là gì?

Câu 7: Kỹ thuật 'POS Tagging' thực hiện công việc nào sau đây?

Câu 8: Trong Word2Vec, kiến trúc 'Skip-gram' hoạt động theo cơ chế nào?

Câu 9: Chỉ số 'BLEU score' thường được sử dụng để đánh giá chất lượng của hệ thống nào?

Câu 10: Cơ chế 'Attention' trong các mô hình Seq2Seq giải quyết vấn đề gì của mạng RNN truyền thống?

Câu 11: Đặc điểm nổi bật nhất của mô hình 'Transformer' so với các mô hình RNN là gì?

Câu 12: Mô hình 'BERT' sử dụng phương pháp huấn luyện nào để hiểu ngữ cảnh hai chiều?

Câu 13: Trong NLP, hiện tượng một từ có nhiều nghĩa khác nhau tùy vào ngữ cảnh được gọi là gì?

Câu 14: Phương pháp 'Cosine Similarity' dùng để làm gì trong xử lý ngôn ngữ tự nhiên?

Câu 15: Mô hình 'GPT' (Generative Pre-trained Transformer) chủ yếu dựa trên thành phần nào của Transformer?

Câu 16: Lợi ích chính của việc sử dụng 'FastText' so với 'Word2Vec' truyền thống là gì?

Câu 17: Trong đánh giá mô hình tóm tắt văn bản, chỉ số nào thường được ưu tiên sử dụng?

Câu 18: Hạn chế lớn nhất của mô hình 'Bag of Words' (BoW) là gì?

Câu 19: Trong bài toán 'Sentiment Analysis', mục tiêu chính là gì?

Câu 20: Mô hình ngôn ngữ (Language Model) có nhiệm vụ cơ bản là gì?

Câu 21: Khái niệm 'Perplexity' trong NLP được dùng để làm gì?

Câu 22: Trong kỹ thuật 'Dependency Parsing', mối quan hệ giữa các từ được biểu diễn như thế nào?

Câu 23: Tại sao các mô hình 'Contextualized Word Embeddings' như ELMo lại ưu việt hơn Word2Vec?

Câu 24: Chiến lược 'Beam Search' trong giải mã (decoding) có ưu điểm gì so với 'Greedy Search'?

Câu 25: Kỹ thuật 'Masked Language Modeling' (MLM) của BERT giải quyết vấn đề gì của các mô hình ngôn ngữ truyền thống?

Danh sách các bộ trắc nghiệm:

Voviethoang.top

Voviethoangseo.com

Seogenz.top