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

Bộ 15 - 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 xử lý ngôn ngữ tự nhiên, kỹ thuật nào được sử dụng để chuyển đổi các từ về dạng gốc hoặc dạng từ điển của chúng một cách có căn cứ về mặt ngôn ngữ?

A. Tokenization
B. Stemming
C. Lemmatization
D. Stop word removal

💡 Lời giải chi tiết:

Theo định nghĩa ngôn ngữ học, Lemmatization sử dụng từ điển và phân tích hình thái để đưa từ về dạng gốc chuẩn (lemma) thay vì chỉ cắt bỏ hậu tố một cách cơ học. Kết luận Lý giải Lemmatization.

Câu 2: Mô hình ngôn ngữ BERT (Bidirectional Encoder Representations from Transformers) khác biệt cơ bản với các mô hình RNN truyền thống ở điểm nào?

A. Chỉ xử lý văn bản theo một chiều duy nhất từ trái sang phải
B. Khả năng học ngữ cảnh hai chiều đồng thời thông qua cơ chế self-attention
C. Yêu cầu ít dữ liệu huấn luyện hơn so với RNN
D. Không sử dụng các lớp nhúng từ (word embeddings)

💡 Lời giải chi tiết:

Dựa trên kiến trúc Transformer, BERT cho phép mô hình xem xét ngữ cảnh của một từ từ cả bên trái và bên phải đồng thời trong tất cả các lớp. Kết luận Lý giải Khả năng học ngữ cảnh hai chiều đồng thời thông qua cơ chế self-attention.

Câu 3: Độ đo nào thường được sử dụng phổ biến nhất để đánh giá chất lượng của các hệ thống dịch máy tự động bằng cách so sánh với bản dịch của con người?

A. F1-Score
B. BLEU (Bilingual Evaluation Understudy)
C. ROUGE
D. Accuracy

💡 Lời giải chi tiết:

Theo tiêu chuẩn trong dịch máy, BLEU tính toán sự trùng lặp của các n-gram giữa bản dịch máy và bản dịch tham chiếu để đưa ra điểm số định lượng. Kết luận Lý giải BLEU (Bilingual Evaluation Understudy).

Câu 4: Trong mô hình Word2Vec, kiến trúc Skip-gram thực hiện nhiệm vụ chính là gì?

A. Dự đoán từ mục tiêu dựa trên các từ ngữ cảnh xung quanh
B. Sử dụng các từ ngữ cảnh để dự đoán từ tiếp theo trong câu
C. Dự đoán các từ ngữ cảnh xung quanh dựa trên một từ mục tiêu cho trước
D. Phân loại văn bản vào các chủ đề định sẵn

💡 Lời giải chi tiết:

Theo cấu trúc thuật toán Word2Vec, Skip-gram được thiết kế để tối đa hóa xác suất dự đoán đúng các từ trong cửa sổ ngữ cảnh khi biết từ trung tâm. Kết luận Lý giải Dự đoán các từ ngữ cảnh xung quanh dựa trên một từ mục tiêu cho trước.

Câu 5: Mục đích chính của cơ chế 'Attention' trong kiến trúc Transformer là gì?

A. Giảm bớt số lượng tham số cần huấn luyện của mô hình
B. Cho phép mô hình tập trung vào các phần quan trọng khác nhau của chuỗi đầu vào khi xử lý một từ cụ thể
C. Loại bỏ hoàn toàn nhu cầu sử dụng word embeddings
D. Nén toàn bộ văn bản đầu vào thành một vector cố định duy nhất

💡 Lời giải chi tiết:

Cơ chế Attention giúp mô hình xác định mức độ liên quan giữa các từ trong câu, từ đó ưu tiên thông tin quan trọng nhất cho việc biểu diễn ngữ cảnh. Kết luận Lý giải Cho phép mô hình tập trung vào các phần quan trọng khác nhau của chuỗi đầu vào khi xử lý một từ cụ thể.

Câu 6: Bài toán Nhận dạng thực thể có tên (Named Entity Recognition - NER) tập trung vào việc xác định các thành phần nào trong văn bản?

A. Các loại từ như danh từ, động từ, tính từ
B. Các tên riêng như tên người, tổ chức, địa điểm hoặc các thực thể có định dạng cụ thể
C. Mối quan hệ cú pháp giữa các từ trong câu
D. Cảm xúc tích cực hay tiêu cực của đoạn văn

💡 Lời giải chi tiết:

NER là một tác vụ trích xuất thông tin nhằm phân loại các đơn vị từ ngữ vào các nhóm đối tượng xác định như tên người, vị trí địa lý hoặc thời gian. Kết luận Lý giải Các tên riêng như tên người, tổ chức, địa điểm hoặc các thực thể có định dạng cụ thể.

Câu 7: Kỹ thuật TF-IDF (Term Frequency - Inverse Document Frequency) được dùng để làm gì trong xử lý văn bản?

A. Đếm tổng số từ xuất hiện trong một tài liệu
B. Đánh giá mức độ quan trọng của một từ đối với một tài liệu trong một tập hợp các tài liệu
C. Chuyển đổi văn bản từ ngôn ngữ này sang ngôn ngữ khác
D. Xác định lỗi chính tả trong văn bản

💡 Lời giải chi tiết:

TF-IDF giúp giảm trọng số của các từ xuất hiện quá phổ biến và tăng trọng số cho các từ mang tính đặc trưng của tài liệu đó. Kết luận Lý giải Đánh giá mức độ quan trọng của một từ đối với một tài liệu trong một tập hợp các tài liệu.

Câu 8: Trong các mô hình ngôn ngữ dựa trên RNN, hiện tượng 'Vanishing Gradient' gây ra vấn đề gì?

A. Làm cho mô hình học quá nhanh và dẫn đến quá khớp (overfitting)
B. Khiến mô hình khó học được các phụ thuộc xa (long-range dependencies) trong chuỗi
C. Làm tăng kích thước của bộ nhớ cần thiết để lưu trữ mô hình
D. Làm cho các trọng số của mô hình trở nên quá lớn

💡 Lời giải chi tiết:

Khi đạo hàm tiến dần về 0 trong quá trình lan truyền ngược, các lớp đầu tiên của RNN không được cập nhật hiệu quả, dẫn đến mất mát thông tin từ xa. Kết luận Lý giải Khiến mô hình khó học được các phụ thuộc xa (long-range dependencies) trong chuỗi.

Câu 9: Mô hình ngôn ngữ GPT (Generative Pre-trained Transformer) chủ yếu sử dụng phần nào của kiến trúc Transformer nguyên bản?

A. Chỉ phần Encoder
B. Cả hai phần Encoder và Decoder
C. Chỉ phần Decoder
D. Phần Attention không có Encoder/Decoder

💡 Lời giải chi tiết:

Theo thiết kế của OpenAI, dòng mô hình GPT là các mô hình ngôn ngữ tự hồi quy dựa trên các khối giải mã (decoder-only) để dự đoán token tiếp theo. Kết luận Lý giải Chỉ phần Decoder.

Câu 10: Khái niệm 'Stop words' trong tiền xử lý NLP ám chỉ điều gì?

A. Các từ mang ý nghĩa quan trọng nhất trong câu
B. Các từ thường xuyên xuất hiện nhưng mang lại ít giá trị thông tin cho việc phân tích ngữ nghĩa
C. Các từ viết sai chính tả cần được loại bỏ
D. Các từ nằm ở cuối mỗi đoạn văn

💡 Lời giải chi tiết:

Stop words là những từ cực kỳ phổ biến như 'và', 'là', 'của' thường được loại bỏ để giảm nhiễu và tập trung vào các từ khóa mang nội dung thực. Kết luận Lý giải Các từ thường xuyên xuất hiện nhưng mang lại ít giá trị thông tin cho việc phân tích ngữ nghĩa.

Câu 11: Trong tác vụ Phân tích cảm xúc (Sentiment Analysis), khó khăn lớn nhất thường gặp phải khi xử lý ngôn ngữ tự nhiên là gì?

A. Tốc độ xử lý của máy tính chậm
B. Việc nhận diện các từ loại (danh từ, động từ)
C. Xử lý sự mỉa mai, châm biếm và ngữ cảnh ẩn ý trong văn bản
D. Sự thiếu hụt các bộ từ điển tiếng Anh

💡 Lời giải chi tiết:

Sự mỉa mai thường sử dụng các từ ngữ mang nghĩa tích cực để diễn đạt ý tiêu cực, điều này thách thức các mô hình nếu không hiểu sâu ngữ cảnh. Kết luận Lý giải Xử lý sự mỉa mai, châm biếm và ngữ cảnh ẩn ý trong văn bản.

Câu 12: Độ đo Perplexity trong đánh giá mô hình ngôn ngữ có ý nghĩa như thế nào?

A. Chỉ số càng cao thì mô hình càng chính xác
B. Đo lường mức độ 'ngạc nhiên' của mô hình khi gặp dữ liệu mới; chỉ số thấp hơn thể hiện mô hình tốt hơn
C. Đo lường tốc độ xử lý của mô hình trên một giây
D. Đo lường dung lượng bộ nhớ mà mô hình chiếm dụng

💡 Lời giải chi tiết:

Perplexity là nghịch đảo xác suất của tập dữ liệu thử nghiệm được chuẩn hóa theo số lượng từ, do đó giá trị thấp hơn phản ánh khả năng dự đoán tốt hơn. Kết luận Lý giải Đo lường mức độ 'ngạc nhiên' của mô hình khi gặp dữ liệu mới; chỉ số thấp hơn thể hiện mô hình tốt hơn.

Câu 13: Kỹ thuật Byte Pair Encoding (BPE) được sử dụng trong Tokenization nhằm giải quyết vấn đề gì?

A. Giảm thời gian huấn luyện mô hình
B. Xử lý các từ ngoài từ điển (Out-Of-Vocabulary) bằng cách chia nhỏ từ thành các đơn vị subword
C. Tăng độ dài tối đa của câu mà mô hình có thể xử lý
D. Tự động dịch văn bản sang ngôn ngữ khác

💡 Lời giải chi tiết:

BPE cho phép biểu diễn các từ hiếm hoặc từ mới thông qua các mảnh từ (subwords) phổ biến, giúp mô hình không bị bế tắc khi gặp từ chưa thấy trong lúc huấn luyện. Kết luận Lý giải Xử lý các từ ngoài từ điển (Out-Of-Vocabulary) bằng cách chia nhỏ từ thành các đơn vị subword.

Câu 14: Trong bài toán Phân tích cú pháp dựa trên sự phụ thuộc (Dependency Parsing), mục tiêu chính là gì?

A. Xác định cấu trúc cây phân cấp của các cụm từ (NP, VP)
B. Xác định các mối quan hệ nhị phân giữa 'từ gốc' và 'từ phụ thuộc' trong câu
C. Dự đoán xác suất của từ tiếp theo dựa trên lịch sử
D. Gán nhãn cảm xúc cho từng từ đơn lẻ

💡 Lời giải chi tiết:

Dependency Parsing tập trung vào việc mô tả cách các từ liên kết trực tiếp với nhau thông qua các quan hệ ngữ pháp như chủ ngữ, tân ngữ. Kết luận Lý giải Xác định các mối quan hệ nhị phân giữa 'từ gốc' và 'từ phụ thuộc' trong câu.

Câu 15: Tại sao FastText thường cho kết quả nhúng từ tốt hơn Word2Vec đối với các ngôn ngữ có hình thái phong phú (như tiếng Đức hoặc tiếng Việt có từ ghép)?

A. Vì FastText sử dụng mô hình học sâu nhiều lớp hơn
B. Vì FastText xem xét thông tin n-gram của các ký tự cấu thành nên từ
C. Vì FastText không cần sử dụng hàm Softmax
D. Vì FastText chỉ hoạt động trên cấp độ câu thay vì cấp độ từ

💡 Lời giải chi tiết:

Bằng cách học vector cho các n-gram ký tự, FastText có thể nắm bắt được cấu trúc bên trong của từ, giúp xử lý tốt các từ hiếm hoặc biến thể hình thái. Kết luận Lý giải Vì FastText xem xét thông tin n-gram của các ký tự cấu thành nên từ.

Câu 16: Mô hình ngôn ngữ 'N-gram' dự đoán từ tiếp theo dựa trên giả thuyết Markov nào?

A. Xác suất của từ hiện tại phụ thuộc vào toàn bộ các từ đứng trước nó trong văn bản
B. Xác suất của từ hiện tại chỉ phụ thuộc vào (n-1) từ đứng ngay trước nó
C. Xác suất của từ hiện tại hoàn toàn độc lập với các từ khác
D. Xác suất của từ hiện tại chỉ phụ thuộc vào các từ đứng sau nó

💡 Lời giải chi tiết:

Mô hình N-gram đơn giản hóa việc tính toán bằng cách giả định rằng ngữ cảnh của một từ có thể được xấp xỉ bởi một vài từ lân cận gần nhất. Kết luận Lý giải Xác suất của từ hiện tại chỉ phụ thuộc vào (n-1) từ đứng ngay trước nó.

Câu 17: Đâu là điểm yếu lớn nhất của mô hình Bag-of-Words (BoW)?

A. Không thể xử lý được các con số trong văn bản
B. Hoàn toàn mất đi thông tin về thứ tự và cấu trúc ngữ pháp của các từ trong câu
C. Yêu cầu tài nguyên tính toán cực kỳ lớn so với Transformers
D. Chỉ hoạt động được với các tài liệu có độ dài ngắn

💡 Lời giải chi tiết:

BoW chỉ quan tâm đến tần suất xuất hiện của từ, do đó hai câu có cùng tập hợp từ nhưng thứ tự khác nhau sẽ có biểu diễn vector y hệt nhau. Kết luận Lý giải Hoàn toàn mất đi thông tin về thứ tự và cấu trúc ngữ pháp của các từ trong câu.

Câu 18: Trong kiến trúc Encoder-Decoder cho dịch máy, nhiệm vụ của 'Encoder' là gì?

A. Tạo ra văn bản dịch cuối cùng cho người dùng
B. Nén toàn bộ thông tin của câu nguồn thành một vector biểu diễn ngữ cảnh (context vector)
C. So sánh bản dịch máy với bản dịch của con người
D. Sắp xếp lại các từ trong ngôn ngữ đích theo đúng ngữ pháp

💡 Lời giải chi tiết:

Encoder chịu trách nhiệm đọc và hiểu chuỗi đầu vào để tạo ra một bản tóm tắt thông tin ẩn giúp Decoder dựa vào đó phát sinh chuỗi đầu ra. Kết luận Lý giải Nén toàn bộ thông tin của câu nguồn thành một vector biểu diễn ngữ cảnh (context vector).

Câu 19: Tác vụ 'Coreference Resolution' trong NLP có mục đích gì?

A. Xác định xem các đại từ hoặc cụm từ khác nhau trong văn bản có cùng chỉ về một thực thể hay không
B. Dịch các từ đa nghĩa sang các ngôn ngữ khác nhau
C. Phát hiện các lỗi lặp từ trong một đoạn văn
D. Tóm tắt văn bản bằng cách giữ lại các thực thể quan trọng

💡 Lời giải chi tiết:

Nhiệm vụ này giúp máy tính hiểu được các liên kết ngữ nghĩa, ví dụ như biết rằng 'anh ấy' trong câu thứ hai đang ám chỉ 'Nam' trong câu thứ nhất. Kết luận Lý giải Xác định xem các đại từ hoặc cụm từ khác nhau trong văn bản có cùng chỉ về một thực thể hay không.

Câu 20: Thuật toán 'Beam Search' thường được sử dụng ở giai đoạn nào của mô hình sinh ngôn ngữ?

A. Giai đoạn tiền xử lý dữ liệu
B. Giai đoạn giải mã (decoding) để tìm ra chuỗi đầu ra tối ưu nhất
C. Giai đoạn huấn luyện các trọng số của mạng neural
D. Giai đoạn trích xuất đặc trưng hình ảnh

💡 Lời giải chi tiết:

Beam Search giúp duy trì nhiều giả thuyết tiềm năng nhất tại mỗi bước giải mã thay vì chỉ chọn một từ có xác suất cao nhất (Greedy Search), từ đó cải thiện chất lượng chuỗi sinh ra. Kết luận Lý giải Giai đoạn giải mã (decoding) để tìm ra chuỗi đầu ra tối ưu nhất.

Câu 21: Trong ngữ cảnh của các Mô hình ngôn ngữ lớn (LLM), 'Zero-shot learning' nghĩa là gì?

A. Mô hình được huấn luyện từ đầu mà không có dữ liệu
B. Khả năng mô hình thực hiện một tác vụ mới mà không cần bất kỳ ví dụ minh họa nào trong câu lệnh (prompt)
C. Mô hình không sử dụng bất kỳ tham số nào trong quá trình xử lý
D. Mô hình chỉ có thể xử lý các câu có độ dài bằng không

💡 Lời giải chi tiết:

Zero-shot tận dụng tri thức khổng lồ từ quá trình tiền huấn luyện để hiểu và thực hiện yêu cầu chỉ dựa trên mô tả nhiệm vụ mà không cần dữ liệu mẫu cụ thể. Kết luận Lý giải Khả năng mô hình thực hiện một tác vụ mới mà không cần bất kỳ ví dụ minh họa nào trong câu lệnh (prompt).

Câu 22: Hàm Softmax thường được đặt ở lớp cuối cùng của mô hình phân loại văn bản để làm gì?

A. Để nén dữ liệu đầu vào
B. Chuyển đổi các giá trị đầu ra (logits) thành một phân phối xác suất có tổng bằng 1
C. Để loại bỏ các từ dừng (stop words)
D. Tăng tốc độ tính toán của GPU

💡 Lời giải chi tiết:

Hàm Softmax giúp mô hình đưa ra dự đoán dưới dạng xác suất cho từng nhãn lớp, giúp dễ dàng xác định lớp có khả năng cao nhất. Kết luận Lý giải Chuyển đổi các giá trị đầu ra (logits) thành một phân phối xác suất có tổng bằng 1.

Câu 23: Tác vụ Word Sense Disambiguation (WSD) giải quyết vấn đề gì trong ngôn ngữ?

A. Xác định từ loại của một từ trong câu
B. Xác định nghĩa chính xác của một từ đa nghĩa dựa trên ngữ cảnh cụ thể của nó
C. Đếm số lượng nghĩa của một từ trong từ điển
D. Chuyển đổi từ viết tắt thành từ đầy đủ

💡 Lời giải chi tiết:

WSD giúp máy tính phân biệt được các nghĩa khác nhau của cùng một từ, ví dụ như từ 'đường' trong 'đường ăn' và 'đường đi'. Kết luận Lý giải Xác định nghĩa chính xác của một từ đa nghĩa dựa trên ngữ cảnh cụ thể của nó.

Câu 24: Trong đánh giá hệ thống Tóm tắt văn bản (Text Summarization), độ đo ROUGE chủ yếu tập trung vào khía cạnh nào?

A. Độ trôi chảy của văn bản được sinh ra
B. Độ bao phủ (recall) của các đơn vị nội dung từ bản tóm tắt tham chiếu xuất hiện trong bản tóm tắt máy
C. Thời gian cần thiết để tạo ra bản tóm tắt
D. Số lượng lỗi chính tả trong bản tóm tắt

💡 Lời giải chi tiết:

ROUGE đo lường mức độ hiệu quả của việc nắm bắt thông tin từ văn bản gốc bằng cách so sánh sự trùng lặp n-gram với các bản tóm tắt chuẩn của con người. Kết luận Lý giải Độ bao phủ (recall) của các đơn vị nội dung từ bản tóm tắt tham chiếu xuất hiện trong bản tóm tắt máy.

Câu 25: Kỹ thuật 'Fine-tuning' trong NLP có quy trình thực hiện như thế nào?

A. Huấn luyện mô hình từ đầu với các trọng số ngẫu nhiên trên một tập dữ liệu rất lớn
B. Lấy một mô hình đã được tiền huấn luyện (pre-trained) và tiếp tục huấn luyện nhẹ trên một tập dữ liệu cụ thể cho một tác vụ nhất định
C. Chỉ thay đổi các tham số siêu cấu trúc (hyperparameters) mà không cập nhật trọng số
D. Sử dụng các quy tắc thủ công để điều chỉnh đầu ra của mô hình

💡 Lời giải chi tiết:

Fine-tuning giúp chuyển giao tri thức từ các mô hình lớn sang các ứng dụng cụ thể, giúp đạt hiệu suất cao với ít dữ liệu gán nhãn hơn. Kết luận Lý giải Lấy một mô hình đã được tiền huấn luyện (pre-trained) và tiếp tục huấn luyện nhẹ trên một tập dữ liệu cụ thể cho một tác vụ nhất định.

Danh sách trắc nghiệm Làm bài tiếp theo

Danh sách các bộ trắc nghiệm:

Các bài trắc nghiệm liên quan

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

Bộ trắc nghiệm 194 lượt làm

Làm ngay

Bộ 4 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 211 lượt làm

Làm ngay

Bộ 5 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 228 lượt làm

Làm ngay

Bộ 6 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 245 lượt làm

Làm ngay

Bộ 15 - 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 nào được sử dụng để chuyển đổi các từ về dạng gốc hoặc dạng từ điển của chúng một cách có căn cứ về mặt ngôn ngữ?

Câu 2: Mô hình ngôn ngữ BERT (Bidirectional Encoder Representations from Transformers) khác biệt cơ bản với các mô hình RNN truyền thống ở điểm nào?

Câu 3: Độ đo nào thường được sử dụng phổ biến nhất để đánh giá chất lượng của các hệ thống dịch máy tự động bằng cách so sánh với bản dịch của con người?

Câu 4: Trong mô hình Word2Vec, kiến trúc Skip-gram thực hiện nhiệm vụ chính là gì?

Câu 5: Mục đích chính của cơ chế 'Attention' trong kiến trúc Transformer là gì?

Câu 6: Bài toán Nhận dạng thực thể có tên (Named Entity Recognition - NER) tập trung vào việc xác định các thành phần nào trong văn bản?

Câu 7: Kỹ thuật TF-IDF (Term Frequency - Inverse Document Frequency) được dùng để làm gì trong xử lý văn bản?

Câu 8: Trong các mô hình ngôn ngữ dựa trên RNN, hiện tượng 'Vanishing Gradient' gây ra vấn đề gì?

Câu 9: Mô hình ngôn ngữ GPT (Generative Pre-trained Transformer) chủ yếu sử dụng phần nào của kiến trúc Transformer nguyên bản?

Câu 10: Khái niệm 'Stop words' trong tiền xử lý NLP ám chỉ điều gì?

Câu 11: Trong tác vụ Phân tích cảm xúc (Sentiment Analysis), khó khăn lớn nhất thường gặp phải khi xử lý ngôn ngữ tự nhiên là gì?

Câu 12: Độ đo Perplexity trong đánh giá mô hình ngôn ngữ có ý nghĩa như thế nào?

Câu 13: Kỹ thuật Byte Pair Encoding (BPE) được sử dụng trong Tokenization nhằm giải quyết vấn đề gì?

Câu 14: Trong bài toán Phân tích cú pháp dựa trên sự phụ thuộc (Dependency Parsing), mục tiêu chính là gì?

Câu 15: Tại sao FastText thường cho kết quả nhúng từ tốt hơn Word2Vec đối với các ngôn ngữ có hình thái phong phú (như tiếng Đức hoặc tiếng Việt có từ ghép)?

Câu 16: Mô hình ngôn ngữ 'N-gram' dự đoán từ tiếp theo dựa trên giả thuyết Markov nào?

Câu 17: Đâu là điểm yếu lớn nhất của mô hình Bag-of-Words (BoW)?

Câu 18: Trong kiến trúc Encoder-Decoder cho dịch máy, nhiệm vụ của 'Encoder' là gì?

Câu 19: Tác vụ 'Coreference Resolution' trong NLP có mục đích gì?

Câu 20: Thuật toán 'Beam Search' thường được sử dụng ở giai đoạn nào của mô hình sinh ngôn ngữ?

Câu 21: Trong ngữ cảnh của các Mô hình ngôn ngữ lớn (LLM), 'Zero-shot learning' nghĩa là gì?

Câu 22: Hàm Softmax thường được đặt ở lớp cuối cùng của mô hình phân loại văn bản để làm gì?

Câu 23: Tác vụ Word Sense Disambiguation (WSD) giải quyết vấn đề gì trong ngôn ngữ?

Câu 24: Trong đánh giá hệ thống Tóm tắt văn bản (Text Summarization), độ đo ROUGE chủ yếu tập trung vào khía cạnh nào?

Câu 25: Kỹ thuật 'Fine-tuning' trong NLP có quy trình thực hiện như thế nào?

Danh sách các bộ trắc nghiệm:

Voviethoang.top

Voviethoangseo.com

Seogenz.top