Trang chủ
Trắc nghiệm
Trắc nghiệm Xử lý ngôn ngữ tự nhiên
Bộ 9 - 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 9 - 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 (NLP), kỹ thuật nào được sử dụng để chia một đoạn văn bản thành các đơn vị nhỏ hơn như từ hoặc cụm từ?

A. Stemming
B. Lemmatization
C. Tokenization
D. Parsing

💡 Lời giải chi tiết:

Theo quy trình tiền xử lý văn bản cơ bản, Tokenization là bước phân tách chuỗi ký tự thành các đơn vị có nghĩa để mô hình có thể xử lý. Kết luận Lý giải Tokenization.

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

A. Stemming luôn tạo ra các từ có nghĩa trong từ điển còn Lemmatization thì không.
B. Lemmatization đưa từ về dạng gốc có nghĩa dựa trên từ điển, trong khi Stemming chỉ cắt bỏ hậu tố theo quy tắc.
C. Stemming yêu cầu phân tích ngữ pháp phức tạp hơn so với Lemmatization.
D. Cả hai kỹ thuật này hoàn toàn giống nhau về mặt thuật toán.

💡 Lời giải chi tiết:

Trong xử lý hình thái học, Lemmatization sử dụng kiến thức ngôn ngữ để tìm từ gốc (lemma) thực tế, còn Stemming áp dụng các quy tắc heuristics để cắt tỉa từ. Kết luận Lý giải Lemmatization đưa từ về dạng gốc có nghĩa dựa trên từ điển, trong khi Stemming chỉ cắt bỏ hậu tố theo quy tắc.

Câu 3: Trong công thức TF-IDF, thành phần IDF (Inverse Document Frequency) có mục đích chính là gì?

A. Tăng trọng số cho các từ xuất hiện rất phổ biến trong tất cả các tài liệu.
B. Đếm số lần một từ xuất hiện trong một tài liệu cụ thể.
C. Giảm trọng số của các từ xuất hiện quá thường xuyên trong toàn bộ tập dữ liệu và làm nổi bật các từ đặc trưng.
D. Tính toán độ tương đồng cosine giữa hai văn bản.

💡 Lời giải chi tiết:

Theo lý thuyết thông tin, IDF giúp lọc bỏ ảnh hưởng của các từ phổ biến không mang nhiều giá trị phân biệt để tập trung vào các từ mang tính đặc trưng cho tài liệu. Kết luận Lý giải Giảm trọng số của các từ xuất hiện quá thường xuyên trong toàn bộ tập dữ liệu và làm nổi bật các từ đặc trưng.

Câu 4: Việc loại bỏ 'Stop words' (từ dừng) trong NLP thường nhằm mục đích gì?

A. Tăng kích thước của tập dữ liệu huấn luyện.
B. Giảm nhiễu và tập trung vào các từ mang nội dung ngữ nghĩa quan trọng cho các tác vụ như phân loại văn bản.
C. Sửa lỗi chính tả trong văn bản đầu vào.
D. Chuyển đổi văn bản thành các vector số học.

💡 Lời giải chi tiết:

Trong giai đoạn tiền xử lý, các từ dừng như 'and', 'the', 'is' thường được loại bỏ vì chúng xuất hiện nhiều nhưng ít đóng góp vào việc phân biệt ý nghĩa giữa các tài liệu. Kết luận Lý giải Giảm nhiễu và tập trung vào các từ mang nội dung ngữ nghĩa quan trọng cho các tác vụ như phân loại văn bản.

Câu 5: Mô hình N-gram với n bằng 3 (Trigram) thực hiện việc gì?

A. Dự đoán từ tiếp theo dựa trên 3 từ đứng trước nó.
B. Chia văn bản thành các đoạn có độ dài đúng 3 câu.
C. Phân tích xác suất xuất hiện của một chuỗi gồm 3 đơn vị (từ hoặc ký tự) liên tiếp.
D. Sử dụng 3 mạng thần kinh khác nhau để xử lý văn bản.

💡 Lời giải chi tiết:

Theo định nghĩa về mô hình ngôn ngữ thống kê, Trigram là một chuỗi gồm 3 phần tử liên tiếp được trích xuất từ văn bản để tính toán xác suất ngữ cảnh. Kết luận Lý giải Phân tích xác suất xuất hiện của một chuỗi gồm 3 đơn vị (từ hoặc ký tự) liên tiếp.

Câu 6: Nhiệm vụ gán nhãn từ loại (Part-of-Speech Tagging - POS Tagging) là gì?

A. Xác định các thực thể có tên như tên người hoặc địa danh.
B. Gán các danh mục ngữ pháp như danh từ, động từ, tính từ cho từng từ trong câu.
C. Dịch một câu từ ngôn ngữ này sang ngôn ngữ khác.
D. Tóm tắt nội dung của một bài báo dài.

💡 Lời giải chi tiết:

POS Tagging là quá trình phân tích cú pháp mức thấp nhằm xác định chức năng ngữ pháp của mỗi từ dựa trên định nghĩa và ngữ cảnh của nó. Kết luận Lý giải Gán các danh mục ngữ pháp như danh từ, động từ, tính từ cho từng từ trong câu.

Câu 7: Trong mô hình Word2Vec, kiến trúc Skip-gram hoạt động theo cơ chế nào?

A. Sử dụng các từ ngữ cảnh xung quanh 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. Chỉ sử dụng các từ đứng trước để dự đoán từ đứng sau.
D. Loại bỏ ngẫu nhiên các từ trong câu để tạo ra vector đại diện.

💡 Lời giải chi tiết:

Theo nghiên cứu của Mikolov và cộng sự, Skip-gram được thiết kế để học các biểu diễn vector bằng cách tối đa hóa xác suất dự đoán các từ trong cửa sổ ngữ cảnh từ một từ trung tâm. Kết luận Lý giải Sử dụng một từ mục tiêu để dự đoán các từ ngữ cảnh xung quanh nó.

Câu 8: Kiến trúc CBOW (Continuous Bag-of-Words) trong Word2Vec khác gì so với Skip-gram?

A. CBOW dự đoán từ mục tiêu dựa trên các từ ngữ cảnh, trong khi Skip-gram làm ngược lại.
B. CBOW chậm hơn Skip-gram đối với các tập dữ liệu lớn.
C. CBOW chỉ hoạt động với các ký tự thay vì các từ.
D. CBOW không sử dụng mạng thần kinh để huấn luyện.

💡 Lời giải chi tiết:

Về mặt logic học máy, CBOW tổng hợp thông tin từ nhiều từ xung quanh để suy luận ra từ bị thiếu ở giữa, trái ngược hoàn toàn với cách tiếp cận của Skip-gram. Kết luận Lý giải CBOW dự đoán từ mục tiêu dựa trên các từ ngữ cảnh, trong khi Skip-gram làm ngược lại.

Câu 9: Vấn đề 'Vanishing Gradient' (Biến mất đạo hàm) thường gây khó khăn gì cho mạng thần kinh tái phát (RNN) truyền thống?

A. Làm cho mô hình học quá nhanh và dẫn đến hiện tượng quá khớp (overfitting).
B. Khiến mô hình khó học được các phụ thuộc xa (long-range dependencies) trong chuỗi văn bản dài.
C. Làm tăng kích thước của các trọng số mạng lên mức vô hạn.
D. Khiến mô hình chỉ có thể xử lý được các câu ngắn dưới 3 từ.

💡 Lời giải chi tiết:

Khi lan truyền ngược qua nhiều bước thời gian, các đạo hàm nhỏ nhân với nhau khiến tín hiệu lỗi bị triệt tiêu, dẫn đến việc RNN không thể cập nhật trọng số hiệu quả cho các thông tin từ quá khứ xa. Kết luận Lý giải Khiến mô hình khó học được các phụ thuộc xa (long-range dependencies) trong chuỗi văn bản dài.

Câu 10: Cổng nào trong đơn vị LSTM (Long Short-Term Memory) chịu trách nhiệm quyết định thông tin nào từ trạng thái tế bào trước đó sẽ bị loại bỏ?

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

💡 Lời giải chi tiết:

Cấu trúc LSTM sử dụng Forget gate với hàm kích hoạt sigmoid để xác định tỷ lệ thông tin cũ cần giữ lại hoặc xóa bỏ khỏi bộ nhớ dài hạn. Kết luận Lý giải Forget gate (Cổng quên).

Câu 11: Mô hình Seq2Seq (Sequence-to-Sequence) thường bao gồm hai thành phần chính nào?

A. Classifier và Regressor
B. Encoder và Decoder
C. Tokenizer và Lemmatizer
D. Input Layer và Flatten Layer

💡 Lời giải chi tiết:

Kiến trúc Seq2Seq hoạt động bằng cách dùng bộ mã hóa (Encoder) nén chuỗi đầu vào thành một vector ngữ cảnh và bộ giải mã (Decoder) tạo ra chuỗi đầu ra từ vector đó. Kết luận Lý giải Encoder và Decoder.

Câu 12: Cơ chế Chú ý (Attention Mechanism) giúp giải quyết hạn chế nào của mô hình Encoder-Decoder truyền thống?

A. Giúp mô hình xử lý văn bản nhanh hơn bằng cách bỏ qua các từ khó.
B. Giải quyết vấn đề nghẽn cổ chai thông tin bằng cách cho phép Decoder tập trung vào các phần khác nhau của chuỗi đầu vào.
C. Tự động sửa lỗi ngữ pháp trong văn bản đầu vào.
D. Giảm số lượng tham số cần huấn luyện của mạng thần kinh.

💡 Lời giải chi tiết:

Thay vì chỉ dựa vào một vector cố định duy nhất từ Encoder, Attention cho phép mô hình linh hoạt truy xuất các thông tin liên quan nhất tại mỗi bước giải mã. Kết luận Lý giải Giải quyết vấn đề nghẽn cổ chai thông tin bằng cách cho phép Decoder tập trung vào các phần khác nhau của chuỗi đầu vào.

Câu 13: Thành phần 'Self-Attention' trong kiến trúc Transformer có đặc điểm gì nổi bật?

A. Nó chỉ cho phép các từ đứng trước tác động đến các từ đứng sau.
B. Nó giúp mỗi từ trong câu tính toán mối quan hệ và sự liên quan với tất cả các từ khác trong cùng câu đó.
C. Nó loại bỏ nhu cầu sử dụng vector nhúng (word embeddings).
D. Nó biến đổi tất cả các từ thành cùng một vector giống hệt nhau.

💡 Lời giải chi tiết:

Self-attention cho phép mô hình học được ngữ cảnh toàn cục bằng cách liên kết mọi vị trí trong chuỗi với nhau một cách trực tiếp. Kết luận Lý giải Nó giúp mỗi từ trong câu tính toán mối quan hệ và sự liên quan với tất cả các từ khác trong cùng câu đó.

Câu 14: Mô hình BERT được huấn luyện trước (pre-trained) thông qua nhiệm vụ 'Masked Language Modeling' nhằm mục đích gì?

A. Để học cách dự đoán các từ bị che khuất dựa trên ngữ cảnh từ cả hai phía trái và phải.
B. Để mô hình học cách dịch văn bản sang ngôn ngữ khác.
C. Để xóa bỏ các từ nhạy cảm khỏi tập dữ liệu huấn luyện.
D. Để nén kích thước của mô hình xuống mức tối thiểu.

💡 Lời giải chi tiết:

Bằng cách che đi một số token ngẫu nhiên và yêu cầu mô hình dự đoán lại, BERT buộc phải học hiểu sâu sắc các mối quan hệ ngữ cảnh hai chiều trong văn bản. Kết luận Lý giải Để học cách dự đoán các từ bị che khuất dựa trên ngữ cảnh từ cả hai phía trái và phải.

Câu 15: Sự khác biệt chính về hướng xử lý giữa BERT và GPT là gì?

A. BERT xử lý một chiều từ trái sang phải, trong khi GPT xử lý hai chiều.
B. BERT xử lý hai chiều (bidirectional), trong khi GPT xử lý một chiều từ trái sang phải (autoregressive).
C. BERT chỉ dùng cho dịch máy, còn GPT chỉ dùng cho phân loại văn bản.
D. BERT không sử dụng kiến trúc Transformer như GPT.

💡 Lời giải chi tiết:

BERT sử dụng bộ mã hóa Transformer để nhìn toàn bộ câu, trong khi GPT sử dụng bộ giải mã Transformer để dự đoán token tiếp theo theo trình tự thời gian. Kết luận Lý giải BERT xử lý hai chiều (bidirectional), trong khi GPT xử lý một chiều từ trái sang phải (autoregressive).

Câu 16: Chỉ số BLEU (Bilingual Evaluation Understudy) thường được dùng để đánh giá chất lượng của hệ thống nào?

A. Hệ thống nhận dạng tiếng nói.
B. Hệ thống dịch máy (Machine Translation).
C. Hệ thống kiểm tra lỗi chính tả.
D. Hệ thống nén dữ liệu văn bản.

💡 Lời giải chi tiết:

BLEU đo lường mức độ trùng khớp của các cụm từ n-gram giữa bản dịch của máy và các bản dịch tham chiếu do con người thực hiện. Kết luận Lý giải Hệ thống dịch máy (Machine Translation).

Câu 17: Chỉ số ROUGE (Recall-Oriented Understudy for Gisting Evaluation) chủ yếu được sử dụng cho tác vụ nào?

A. Phân tích cảm xúc.
B. Tóm tắt văn bản tự động (Text Summarization).
C. Gán nhãn từ loại.
D. Chuyển văn bản thành giọng nói.

💡 Lời giải chi tiết:

ROUGE tập trung vào độ phủ (recall) của các đơn vị nội dung trong bản tóm tắt máy so với bản tóm tắt chuẩn của con người. Kết luận Lý giải Tóm tắt văn bản tự động (Text Summarization).

Câu 18: Trong mô hình ngôn ngữ, độ đo 'Perplexity' có ý nghĩa như thế nào?

A. Độ đo này càng cao thì mô hình dự đoán càng chính xác.
B. Nó đo lường mức độ bất ngờ khi mô hình nhìn thấy dữ liệu mới; giá trị thấp hơn thể hiện mô hình tốt hơn.
C. Nó cho biết tốc độ xử lý của mô hình trên mỗi giây.
D. Nó đo lường số lượng từ vựng mà mô hình đã học được.

💡 Lời giải chi tiết:

Về mặt toán học, Perplexity là lũy thừa của entropy chéo, phản ánh mức độ không chắc chắn của mô hình khi dự đoán các phần tử trong chuỗi dữ liệu. Kết luận Lý giải Nó đo lường mức độ bất ngờ khi mô hình nhìn thấy dữ liệu mới; giá trị thấp hơn thể hiện mô hình tốt hơn.

Câu 19: Kỹ thuật Byte Pair Encoding (BPE) giải quyết vấn đề gì trong xử lý ngôn ngữ?

A. Tự động dịch các ngôn ngữ hiếm gặp.
B. Xử lý các từ nằm ngoài từ điển (Out-of-Vocabulary) bằng cách chia nhỏ từ thành các đơn vị con (subwords).
C. Tăng tốc độ huấn luyện mô hình bằng cách bỏ qua các từ dài.
D. Mã hóa văn bản thành các đoạn mã byte để bảo mật.

💡 Lời giải chi tiết:

BPE là một thuật toán mã hóa đơn vị con phổ biến giúp các mô hình ngôn ngữ hiện đại xử lý hiệu quả các từ mới hoặc từ biến thể bằng cách ghép từ các ký tự hoặc nhóm ký tự thường gặp. Kết luận Lý giải Xử lý các từ nằm ngoài từ điển (Out-of-Vocabulary) bằng cách chia nhỏ từ thành các đơn vị con (subwords).

Câu 20: Việc sử dụng 'Multi-head Attention' trong Transformer có lợi ích gì so với Single-head Attention?

A. Giảm lượng bộ nhớ cần thiết để lưu trữ mô hình.
B. Cho phép mô hình đồng thời chú ý đến thông tin từ các không gian biểu diễn khác nhau tại các vị trí khác nhau.
C. Làm cho mô hình chỉ tập trung vào một từ quan trọng nhất trong câu.
D. Ngăn chặn mô hình học quá nhiều thông tin ngữ cảnh.

💡 Lời giải chi tiết:

Multi-head attention chia không gian truy vấn, khóa và giá trị thành nhiều phần để mô hình có thể quan sát các mối quan hệ ngôn ngữ đa dạng (như cú pháp và ngữ nghĩa) 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 tại các vị trí khác nhau.

Câu 21: Nhiệm vụ Phân tích cảm xúc (Sentiment Analysis) ở cấp độ 'Aspect-level' là gì?

A. Xác định xem toàn bộ bài đánh giá là tích cực hay tiêu cực.
B. Xác định thái độ đối với từng thuộc tính hoặc khía cạnh cụ thể của đối tượng được nhắc đến.
C. Đếm số lượng tính từ có trong một câu văn bản.
D. Phân loại văn bản vào các chủ đề như chính trị, thể thao, hay kinh tế.

💡 Lời giải chi tiết:

Khác với phân tích mức câu hay văn bản, Aspect-level nhắm tới các mục tiêu chi tiết như 'thức ăn' ngon nhưng 'phục vụ' kém trong một bài đánh giá nhà hàng. Kết luận Lý giải Xác định thái độ đối với từng thuộc tính hoặc khía cạnh cụ thể của đối tượng được nhắc đến.

Câu 22: Hệ thống Nhận dạng Thực thể có tên (NER) nhằm mục đích trích xuất những thông tin nào?

A. Chỉ trích xuất các động từ hành động trong câu.
B. Xác định và phân loại các thực thể như tên người, tổ chức, địa danh, thời gian trong văn bản.
C. Phân tích cấu trúc cây cú pháp của một câu hoàn chỉnh.
D. Đo lường độ dài trung bình của các câu trong một đoạn văn.

💡 Lời giải chi tiết:

NER là một tác vụ quan trọng trong khai phá thông tin nhằm định danh các danh từ riêng và gán chúng vào các nhóm ý nghĩa xác định. Kết luận Lý giải Xác định và phân loại các thực thể như tên người, tổ chức, địa danh, thời gian trong văn bản.

Câu 23: Trong phân tích cú pháp (Parsing), Dependency Parsing tập trung vào điều gì?

A. Chia câu thành các cụm từ (phrases) lồng nhau theo cấu trúc phân cấp.
B. Xác định các mối quan hệ phụ thuộc trực tiếp giữa các từ trong câu (từ nào bổ nghĩa cho từ nào).
C. Chỉ phân tích các từ loại cơ bản của từng từ riêng lẻ.
D. Dự đoán xác suất của từ tiếp theo dựa trên lịch sử các từ đã xuất hiện.

💡 Lời giải chi tiết:

Phân tích cú pháp phụ thuộc biểu diễn cấu trúc câu dưới dạng các cung liên kết giữa từ trung tâm (head) và các từ phụ thuộc (dependent). Kết luận Lý giải Xác định các mối quan hệ phụ thuộc trực tiếp giữa các từ trong câu (từ nào bổ nghĩa cho từ nào).

Câu 24: Độ tương đồng Cosine (Cosine Similarity) thường được sử dụng trong NLP để làm gì?

A. Để tính tổng số từ có trong hai văn bản khác nhau.
B. Để đo mức độ tương đồng về hướng giữa hai vector biểu diễn từ hoặc văn bản.
C. Để xác định xem một câu có đúng ngữ pháp hay không.
D. Để đếm số lỗi chính tả trong một đoạn văn bản.

💡 Lời giải chi tiết:

Cosine similarity tính toán cosin của góc giữa hai vector, giúp đánh giá mức độ giống nhau về ngữ nghĩa bất kể độ dài hay độ lớn của vector đó. Kết luận Lý giải Để đo mức độ tương đồng về hướng giữa hai vector biểu diễn từ hoặc văn bản.

Câu 25: Mô hình Markov ẩn (Hidden Markov Model - HMM) thường được ứng dụng trong POS Tagging dựa trên giả định nào?

A. Từ loại của một từ chỉ phụ thuộc vào chính từ đó mà không phụ thuộc vào ngữ cảnh.
B. Từ loại hiện tại chỉ phụ thuộc vào từ loại ngay trước đó và từ hiện tại được sinh ra từ từ loại đó.
C. Tất cả các từ trong câu đều có cùng một xác suất xuất hiện từ loại như nhau.
D. Vị trí của từ trong câu không quan trọng đối với việc xác định từ loại.

💡 Lời giải chi tiết:

HMM sử dụng thuộc tính Markov để mô hình hóa quá trình gán nhãn chuỗi như một hệ thống các trạng thái ẩn (từ loại) tạo ra các quan sát (từ). Kết luận Lý giải Từ loại hiện tại chỉ phụ thuộc vào từ loại ngay trước đó và từ hiện tại được sinh ra từ từ loại đó.

Danh sách trắc nghiệm Làm bài tiếp theo

Danh sách các bộ trắc nghiệm:

Các bài trắc nghiệm liên quan

Bộ 10 - Trắc nghiệm Xử lý ngôn ngữ tự nhiên online có đáp án

Bộ trắc nghiệm 113 lượt làm

Làm ngay

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

Bộ trắc nghiệm 130 lượt làm

Làm ngay

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 9 - 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 (NLP), kỹ thuật nào được sử dụng để chia một đoạn văn bản thành các đơn vị nhỏ hơn như từ hoặc cụm từ?

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

Câu 3: Trong công thức TF-IDF, thành phần IDF (Inverse Document Frequency) có mục đích chính là gì?

Câu 4: Việc loại bỏ 'Stop words' (từ dừng) trong NLP thường nhằm mục đích gì?

Câu 5: Mô hình N-gram với n bằng 3 (Trigram) thực hiện việc gì?

Câu 6: Nhiệm vụ gán nhãn từ loại (Part-of-Speech Tagging - POS Tagging) là gì?

Câu 7: Trong mô hình Word2Vec, kiến trúc Skip-gram hoạt động theo cơ chế nào?

Câu 8: Kiến trúc CBOW (Continuous Bag-of-Words) trong Word2Vec khác gì so với Skip-gram?

Câu 9: Vấn đề 'Vanishing Gradient' (Biến mất đạo hàm) thường gây khó khăn gì cho mạng thần kinh tái phát (RNN) truyền thống?

Câu 10: Cổng nào trong đơn vị LSTM (Long Short-Term Memory) chịu trách nhiệm quyết định thông tin nào từ trạng thái tế bào trước đó sẽ bị loại bỏ?

Câu 11: Mô hình Seq2Seq (Sequence-to-Sequence) thường bao gồm hai thành phần chính nào?

Câu 12: Cơ chế Chú ý (Attention Mechanism) giúp giải quyết hạn chế nào của mô hình Encoder-Decoder truyền thống?

Câu 13: Thành phần 'Self-Attention' trong kiến trúc Transformer có đặc điểm gì nổi bật?

Câu 14: Mô hình BERT được huấn luyện trước (pre-trained) thông qua nhiệm vụ 'Masked Language Modeling' nhằm mục đích gì?

Câu 15: Sự khác biệt chính về hướng xử lý giữa BERT và GPT là gì?

Câu 16: Chỉ số BLEU (Bilingual Evaluation Understudy) thường được dùng để đánh giá chất lượng của hệ thống nào?

Câu 17: Chỉ số ROUGE (Recall-Oriented Understudy for Gisting Evaluation) chủ yếu được sử dụng cho tác vụ nào?

Câu 18: Trong mô hình ngôn ngữ, độ đo 'Perplexity' có ý nghĩa như thế nào?

Câu 19: Kỹ thuật Byte Pair Encoding (BPE) giải quyết vấn đề gì trong xử lý ngôn ngữ?

Câu 20: Việc sử dụng 'Multi-head Attention' trong Transformer có lợi ích gì so với Single-head Attention?

Câu 21: Nhiệm vụ Phân tích cảm xúc (Sentiment Analysis) ở cấp độ 'Aspect-level' là gì?

Câu 22: Hệ thống Nhận dạng Thực thể có tên (NER) nhằm mục đích trích xuất những thông tin nào?

Câu 23: Trong phân tích cú pháp (Parsing), Dependency Parsing tập trung vào điều gì?

Câu 24: Độ tương đồng Cosine (Cosine Similarity) thường được sử dụng trong NLP để làm gì?

Câu 25: Mô hình Markov ẩn (Hidden Markov Model - HMM) thường được ứng dụng trong POS Tagging dựa trên giả định nào?

Danh sách các bộ trắc nghiệm:

Voviethoang.top

Voviethoangseo.com

Seogenz.top