Đề Thi Thử Trắc Nghiệm Online - Môn Xử Lí Ngôn Ngữ Tự Nhiên

Đề Thi Thử Trắc Nghiệm Online – Môn Xử Lí Ngôn Ngữ Tự Nhiên tổng hợp câu hỏi trắc nghiệm chứa đựng nhiều dạng bài tập, bài thi, cũng như các câu hỏi trắc nghiệm và bài kiểm tra, trong bộ Đại Học. Nội dung trắc nghiệm nhấn mạnh phần kiến thức nền tảng và chuyên môn sâu của học phần này. Mọi bộ đề trắc nghiệm đều cung cấp câu hỏi, đáp án cùng hướng dẫn giải cặn kẽ. Mời bạn thử sức làm bài nhằm ôn luyện và làm vững chắc kiến thức cũng như đánh giá năng lực bản thân!

Đề 01

Đề 02

Đề 03

Đề 04

Đề 05

Đề 06

Đề 07

Đề 08

Đề 09

Đề 10

Đề 11

Đề 12

Đề 13

Đề 14

Đề 15

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Trắc nghiệm Xử lí ngôn ngữ tự nhiên - Đề 01

1 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 1: Trong quá trình tiền xử lý văn bản cho mô hình ngôn ngữ, kỹ thuật nào sau đây giúp giảm số lượng từ vựng bằng cách chuyển các từ về dạng cơ sở của chúng, nhưng vẫn đảm bảo từ cơ sở này có nghĩa (ví dụ: 'running', 'runs', 'ran' thành 'run')?

Mã hóa Byte-Pair (Byte-Pair Encoding - BPE)

Tách từ (Tokenization)

Lemmatization (Bình thường hóa từ)

Loại bỏ từ dừng (Stop word removal)

Câu hỏi này tập trung vào kỹ thuật 'lemmatization' trong NLP, khác biệt với 'stemming' ở chỗ lemmatization đưa về từ gốc có nghĩa.

2 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 2: Word2Vec và GloVe là hai phương pháp phổ biến để tạo biểu diễn vectơ từ (word embeddings). Điểm khác biệt chính giữa Word2Vec (Skip-gram) và GloVe là gì?

Word2Vec sử dụng ma trận đồng xuất hiện toàn cục, trong khi GloVe dự đoán từ ngữ cảnh cục bộ.

GloVe sử dụng ma trận đồng xuất hiện toàn cục để huấn luyện, trong khi Word2Vec (Skip-gram) dự đoán từ mục tiêu dựa trên ngữ cảnh cục bộ.

Word2Vec hiệu quả hơn với các tập dữ liệu nhỏ, còn GloVe cần tập dữ liệu lớn hơn.

GloVe tạo ra embeddings tĩnh, còn Word2Vec tạo ra embeddings ngữ cảnh.

Câu hỏi này kiểm tra sự hiểu biết về sự khác biệt cốt lõi trong cách tiếp cận của Word2Vec và GloVe để tạo word embeddings.

3 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 3: Bạn muốn xây dựng một hệ thống phân tích cảm xúc cho đánh giá sản phẩm trực tuyến. Phương pháp nào sau đây phù hợp nhất để xác định xem một đánh giá có cảm xúc tích cực, tiêu cực hay trung tính?

Mô hình phân loại văn bản dựa trên học máy có giám sát (ví dụ: Naive Bayes, SVM, hoặc mạng nơ-ron)

Mô hình sinh ngôn ngữ (Language generation model) như GPT-3

Mô hình dịch máy (Machine translation model) như Transformer

Mô hình nhận dạng thực thể có tên (Named Entity Recognition - NER)

Câu hỏi này yêu cầu ứng dụng kiến thức về phân tích cảm xúc vào một tình huống cụ thể.

4 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 4: Nhiệm vụ nào sau đây KHÔNG thuộc lĩnh vực Xử lý ngôn ngữ tự nhiên (NLP) mà thuộc lĩnh vực Thị giác máy tính (Computer Vision)?

Tóm tắt văn bản (Text summarization)

Trả lời câu hỏi (Question answering)

Phân tích cú pháp (Syntactic parsing)

Phân loại hình ảnh (Image classification)

Câu hỏi này kiểm tra khả năng phân biệt giữa các lĩnh vực khác nhau của trí tuệ nhân tạo.

5 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 5: Trong phân tích cú pháp phụ thuộc (dependency parsing), mục tiêu chính là gì?

Phân chia văn bản thành các câu và từ

Xác định mối quan hệ ngữ pháp phụ thuộc giữa các từ trong câu

Gán nhãn từ loại (Part-of-Speech tagging) cho mỗi từ

Tìm kiếm các thực thể có tên (named entities) trong văn bản

Câu hỏi tập trung vào mục tiêu cốt lõi của phân tích cú pháp phụ thuộc trong NLP.

6 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 6: Mô hình ngôn ngữ Transformer, đặc biệt là cơ chế self-attention, đã cách mạng hóa nhiều nhiệm vụ NLP. Ưu điểm chính của cơ chế self-attention so với mạng nơ-ron hồi quy (RNN) trong việc xử lý các chuỗi dài là gì?

Transformer dễ huấn luyện hơn RNN.

RNN có thể song song hóa tốt hơn Transformer.

Transformer có thể xử lý các sự phụ thuộc xa trong chuỗi hiệu quả hơn nhờ cơ chế attention, giảm thiểu vấn đề vanishing gradient của RNN.

RNN yêu cầu ít dữ liệu huấn luyện hơn Transformer.

Câu hỏi này so sánh ưu điểm của Transformer so với RNN, tập trung vào khả năng xử lý chuỗi dài.

7 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 7: Kỹ thuật 'back-translation' (dịch ngược) được sử dụng để làm gì trong Xử lý ngôn ngữ tự nhiên, đặc biệt là trong dịch máy?

Đánh giá chất lượng của mô hình dịch máy

Tăng tốc độ dịch của mô hình dịch máy

Giảm kích thước mô hình dịch máy

Tăng cường dữ liệu huấn luyện bằng cách tạo ra các biến thể của câu gốc, giúp mô hình dịch máy khái quát hóa tốt hơn.

Câu hỏi này hỏi về mục đích sử dụng của kỹ thuật back-translation, một kỹ thuật nâng cao trong dịch máy.

8 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 8: Khi xử lý văn bản tiếng Việt, công đoạn tách từ (tokenization) có thể phức tạp hơn so với tiếng Anh. Điều gì gây ra sự phức tạp này?

Tiếng Việt là ngôn ngữ đơn lập, các từ có thể ghép lại thành cụm từ mà không có dấu cách rõ ràng, khác với tiếng Anh có dấu cách phân tách từ.

Tiếng Việt sử dụng bảng chữ cái Latinh, phức tạp hơn bảng chữ cái Cyrillic của tiếng Anh.

Ngữ pháp tiếng Việt phức tạp hơn tiếng Anh.

Tiếng Việt có ít tài nguyên NLP được phát triển hơn tiếng Anh.

Câu hỏi này tập trung vào đặc thù của tiếng Việt trong xử lý NLP, cụ thể là tokenization.

9 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 9: Trong ngữ cảnh của mô hình ngôn ngữ, độ đo 'perplexity' (độ khó hiểu) được sử dụng để đánh giá điều gì?

Độ chính xác của mô hình trong việc phân loại văn bản.

Khả năng dự đoán chuỗi từ tiếp theo của mô hình; perplexity càng thấp, mô hình càng tốt.

Tốc độ xử lý văn bản của mô hình.

Mức độ sử dụng bộ nhớ của mô hình.

Câu hỏi này kiểm tra sự hiểu biết về độ đo perplexity trong đánh giá mô hình ngôn ngữ.

10 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 10: Nhiệm vụ gán nhãn từ loại (Part-of-Speech tagging - POS tagging) nhằm mục đích gì?

Nhận dạng các thực thể có tên trong văn bản.

Phân tích mối quan hệ ngữ pháp giữa các từ trong câu.

Xác định vai trò ngữ pháp của mỗi từ trong câu (ví dụ: danh từ, động từ, tính từ).

Chuyển đổi văn bản thành dạng vectơ số.

Câu hỏi này hỏi về mục đích của POS tagging, một nhiệm vụ cơ bản trong NLP.

11 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 11: Khi xây dựng chatbot, kỹ thuật 'intent recognition' (nhận dạng ý định) đóng vai trò quan trọng. Ý định (intent) trong chatbot thường được hiểu là gì?

Mục đích hoặc mong muốn của người dùng khi gửi tin nhắn cho chatbot.

Cảm xúc (tích cực, tiêu cực) thể hiện trong tin nhắn của người dùng.

Thông tin cá nhân của người dùng được tiết lộ trong tin nhắn.

Chủ đề chính của cuộc trò chuyện giữa người dùng và chatbot.

Câu hỏi này tập trung vào khái niệm 'intent' trong ngữ cảnh chatbot và nhận dạng ý định.

12 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 12: Trong các mô hình ngôn ngữ lớn (Large Language Models - LLMs) như GPT-3, 'context window' (cửa sổ ngữ cảnh) đề cập đến điều gì?

Số lượng tham số (parameters) trong mô hình.

Số lượng từ tối đa mà mô hình có thể xem xét từ đầu vào để tạo ra dự đoán cho từ tiếp theo.

Thời gian huấn luyện mô hình.

Kích thước bộ nhớ cần thiết để chạy mô hình.

Câu hỏi này hỏi về khái niệm 'context window' trong LLMs, một yếu tố quan trọng ảnh hưởng đến khả năng xử lý thông tin.

13 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 13: Kỹ thuật 'named entity recognition' (NER) được sử dụng để xác định và phân loại các thực thể có tên trong văn bản. Loại thực thể nào sau đây KHÔNG phải là mục tiêu chính của NER?

Tổ chức (Organization) - ví dụ: Google, Apple

Địa điểm (Location) - ví dụ: Hà Nội, Paris

Người (Person) - ví dụ: Barack Obama, Nguyễn Văn A

Tính từ (Adjective) - ví dụ: đẹp, thông minh

Câu hỏi này kiểm tra kiến thức về các loại thực thể mà NER thường nhận diện.

14 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 14: Khi đánh giá mô hình dịch máy, độ đo BLEU (Bilingual Evaluation Understudy) thường được sử dụng. BLEU đo lường điều gì?

Mức độ trôi chảy (fluency) của bản dịch.

Mức độ chính xác ngữ nghĩa (semantic accuracy) của bản dịch.

Mức độ tương đồng giữa bản dịch của mô hình và các bản dịch tham khảo của con người, dựa trên n-gram overlap.

Tốc độ dịch của mô hình.

Câu hỏi này hỏi về độ đo BLEU, một độ đo phổ biến trong đánh giá dịch máy.

15 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 15: Trong lĩnh vực sinh ngôn ngữ tự nhiên (Natural Language Generation - NLG), kỹ thuật 'semantic parsing' (phân tích ngữ nghĩa) có vai trò gì?

Chuyển đổi văn bản thành giọng nói.

Chuyển đổi biểu diễn ngữ nghĩa (ví dụ: logic form, biểu đồ tri thức) thành văn bản ngôn ngữ tự nhiên.

Phân tích cảm xúc của văn bản đầu vào.

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.

Câu hỏi này tập trung vào vai trò của semantic parsing trong NLG, một lĩnh vực ngược lại với hiểu ngôn ngữ tự nhiên.

16 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 16: Mô hình 'Bag-of-Words' (BoW) là một phương pháp đơn giản để biểu diễn văn bản. Hạn chế lớn nhất của mô hình BoW là gì?

Mô hình BoW không hiệu quả với văn bản dài.

Mô hình BoW yêu cầu lượng lớn dữ liệu huấn luyện.

Mô hình BoW bỏ qua thứ tự và cấu trúc ngữ pháp của từ trong câu, chỉ tính tần suất xuất hiện của từ.

Mô hình BoW không thể xử lý các từ mới (out-of-vocabulary words).

Câu hỏi này hỏi về hạn chế của mô hình BoW, một kiến thức cơ bản về biểu diễn văn bản.

17 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 17: 'Zero-shot learning' (học không cú bắn) trong NLP đề cập đến khả năng của mô hình làm gì?

Học từ dữ liệu không có nhãn.

Học cực nhanh chỉ với một vài ví dụ.

Học mà không cần bất kỳ dữ liệu huấn luyện nào.

Thực hiện các nhiệm vụ hoặc phân loại các đối tượng mà mô hình chưa từng được huấn luyện trực tiếp trên các nhiệm vụ/đối tượng đó.

Câu hỏi này giới thiệu khái niệm 'zero-shot learning', một khía cạnh quan trọng trong NLP hiện đại.

18 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 18: Trong xử lý ngôn ngữ lập trình, 'parsing' (phân tích cú pháp) một đoạn mã nguồn có mục đích tương tự như nhiệm vụ nào trong NLP với ngôn ngữ tự nhiên?

Tách từ (Tokenization)

Phân tích cú pháp (Syntactic parsing) - xác định cấu trúc ngữ pháp của câu.

Phân tích ngữ nghĩa (Semantic analysis)

Sinh ngôn ngữ (Language generation)

Câu hỏi này liên hệ khái niệm 'parsing' trong ngôn ngữ lập trình với một nhiệm vụ tương đương trong NLP.

19 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 19: Kỹ thuật 'transfer learning' (học chuyển giao) được ứng dụng rộng rãi trong NLP. Lợi ích chính của transfer learning là gì?

Cho phép mô hình học hiệu quả hơn với lượng dữ liệu huấn luyện ít hơn cho nhiệm vụ mục tiêu, bằng cách tận dụng kiến thức đã học từ một nhiệm vụ liên quan (thường là trên dữ liệu lớn).

Giảm độ phức tạp tính toán của mô hình.

Tăng khả năng diễn giải của mô hình.

Giúp mô hình dễ dàng triển khai trên các thiết bị di động.

Câu hỏi này hỏi về lợi ích cốt lõi của transfer learning, một kỹ thuật quan trọng để cải thiện hiệu suất mô hình.

20 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 20: 'Stop words' (từ dừng) là gì và tại sao chúng thường được loại bỏ trong quá trình tiền xử lý văn bản?

Các từ mang nghĩa tiêu cực, cần loại bỏ để phân tích cảm xúc chính xác hơn.

Các từ hiếm gặp, có thể gây nhiễu cho mô hình.

Các từ có tần suất xuất hiện cao nhất trong văn bản.

Các từ phổ biến, ít mang lại thông tin ngữ nghĩa quan trọng (ví dụ: 'the', 'a', 'is', 'are'), và việc loại bỏ chúng có thể giúp giảm kích thước dữ liệu và cải thiện hiệu suất mô hình trong một số nhiệm vụ.

Câu hỏi này kiểm tra kiến thức về stop words và lý do loại bỏ chúng trong NLP.

21 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 21: 'Word Sense Disambiguation' (WSD) là một bài toán trong NLP liên quan đến việc gì?

Phân tích cảm xúc của từ trong ngữ cảnh.

Xác định nghĩa chính xác của một từ đa nghĩa (polysemous word) dựa trên ngữ cảnh sử dụng.

Tìm ra các từ đồng nghĩa và trái nghĩa của một từ.

Phân loại từ theo từ loại (POS tagging).

Câu hỏi này giới thiệu bài toán WSD, một thách thức quan trọng trong NLP.

22 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 22: Trong kiến trúc Transformer, 'positional encoding' (mã hóa vị trí) được sử dụng để giải quyết vấn đề gì?

Tăng cường khả năng song song hóa của mô hình.

Giảm độ phức tạp tính toán của cơ chế attention.

Cung cấp thông tin về vị trí tương đối của các từ trong chuỗi đầu vào, vì cơ chế self-attention vốn không nhận biết thứ tự.

Chuẩn hóa đầu vào trước khi đưa vào mô hình.

Câu hỏi này hỏi về vai trò của positional encoding trong Transformer, một thành phần quan trọng của kiến trúc này.

23 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 23: 'Hallucination' (ảo giác) là một vấn đề thường gặp ở các mô hình ngôn ngữ lớn sinh văn bản (LLMs). Hallucination trong ngữ cảnh này có nghĩa là gì?

Mô hình tạo ra thông tin sai lệch, không có trong dữ liệu huấn luyện hoặc ngữ cảnh đầu vào, nhưng được trình bày một cách tự tin như thật.

Mô hình bị 'mắc kẹt' trong một chủ đề hoặc phong cách sinh văn bản nhất định.

Mô hình không thể sinh văn bản mạch lạc và trôi chảy.

Mô hình sinh ra văn bản quá dài hoặc quá ngắn so với yêu cầu.

Câu hỏi này đề cập đến vấn đề 'hallucination', một thách thức hiện tại của LLMs.

24 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 24: Để xây dựng một hệ thống hỏi đáp (Question Answering - QA) dựa trên một tập hợp tài liệu cụ thể (ví dụ: QA trên tài liệu nội bộ công ty), phương pháp nào sau đây thường được sử dụng?

Dịch máy thống kê (Statistical Machine Translation)

Phân tích cảm xúc dựa trên từ điển (Lexicon-based sentiment analysis)

Retrieval-Augmented Generation (RAG) - kết hợp tìm kiếm thông tin liên quan từ tài liệu và sinh câu trả lời.

Mô hình ngôn ngữ chỉ sinh văn bản (Language generation only model)

Câu hỏi này yêu cầu ứng dụng kiến thức về QA vào một tình huống thực tế, cụ thể là QA trên tài liệu.

25 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 25: Trong lĩnh vực giao diện người-máy tính bằng ngôn ngữ tự nhiên (Natural Language User Interface - NLUI), thách thức lớn nhất thường là gì?

Tốc độ xử lý ngôn ngữ quá chậm.

Sự mơ hồ và đa dạng của ngôn ngữ tự nhiên, khiến máy tính khó hiểu chính xác ý định của người dùng.

Chi phí xây dựng hệ thống NLUI quá cao.

Người dùng không quen sử dụng giao diện ngôn ngữ tự nhiên.

Câu hỏi này tập trung vào thách thức cốt lõi trong việc xây dựng NLUI.

26 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 26: Kỹ thuật 'morphological analysis' (phân tích hình thái học) trong NLP tập trung vào việc phân tích khía cạnh nào của từ?

Cấu trúc bên trong của từ và cách từ được hình thành từ các đơn vị nhỏ hơn (morphemes).

Mối quan hệ ngữ pháp giữa các từ trong câu.

Nghĩa của từ trong ngữ cảnh.

Âm thanh và cách phát âm của từ.

Câu hỏi này hỏi về mục tiêu của morphological analysis, một kỹ thuật tiền xử lý quan trọng.

27 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 27: 'Few-shot learning' (học ít ví dụ) là một hướng nghiên cứu quan trọng trong NLP hiện nay, đặc biệt với các mô hình ngôn ngữ lớn. Few-shot learning khác biệt với 'one-shot learning' (học một ví dụ) như thế nào?

One-shot learning yêu cầu ít dữ liệu huấn luyện hơn few-shot learning.

Few-shot learning chỉ áp dụng cho mô hình nhỏ, còn one-shot learning cho mô hình lớn.

Few-shot learning sử dụng một vài ví dụ (vài shots) cho mỗi lớp/nhiệm vụ, trong khi one-shot learning chỉ sử dụng một ví dụ duy nhất.

Về cơ bản không có sự khác biệt, cả hai đều chỉ học từ rất ít dữ liệu.

Câu hỏi này so sánh 'few-shot learning' và 'one-shot learning', hai khái niệm liên quan đến học với dữ liệu hạn chế.

28 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 28: Trong ngữ cảnh của chatbot hoặc trợ lý ảo, 'dialogue management' (quản lý hội thoại) là thành phần chịu trách nhiệm chính cho việc gì?

Nhận dạng ý định của người dùng.

Sinh câu trả lời bằng ngôn ngữ tự nhiên.

Chuyển đổi văn bản thành giọng nói và ngược lại.

Theo dõi trạng thái hội thoại, quyết định hành động tiếp theo của hệ thống (ví dụ: hỏi thêm thông tin, đưa ra câu trả lời, kết thúc hội thoại) dựa trên lịch sử hội thoại và ý định của người dùng.

Câu hỏi này tập trung vào vai trò của dialogue management trong hệ thống hội thoại.

29 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 29: Khi xử lý văn bản đa ngôn ngữ, kỹ thuật 'cross-lingual word embeddings' (word embeddings đa ngôn ngữ) có lợi ích gì?

Giảm kích thước bộ từ vựng cho mỗi ngôn ngữ.

Cho phép mô hình chia sẻ kiến thức giữa các ngôn ngữ, ví dụ, có thể chuyển kiến thức từ ngôn ngữ giàu tài nguyên sang ngôn ngữ nghèo tài nguyên, hoặc thực hiện các nhiệm vụ đa ngôn ngữ như dịch máy không cần song ngữ.

Tăng tốc độ xử lý văn bản đa ngôn ngữ.

Cải thiện độ chính xác của POS tagging cho mọi ngôn ngữ.

Câu hỏi này hỏi về lợi ích của cross-lingual word embeddings trong xử lý đa ngôn ngữ.

30 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 01

Câu 30: 'Adversarial attacks' (tấn công đối nghịch) đang trở thành một mối quan tâm lớn trong NLP, đặc biệt đối với các mô hình học sâu. Tấn công đối nghịch trong NLP thường nhắm vào mục tiêu gì?

Làm lộ dữ liệu huấn luyện của mô hình.

Phá hoại cơ sở hạ tầng tính toán của mô hình.

Đánh lừa mô hình đưa ra dự đoán sai lệch (ví dụ: phân loại sai văn bản, dịch sai câu), thường bằng cách thêm những thay đổi nhỏ, khó nhận thấy vào đầu vào.

Làm chậm tốc độ suy luận của mô hình.

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi này đề cập đến adversarial attacks, một vấn đề bảo mật và độ tin cậy trong NLP.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Trắc nghiệm Xử lí ngôn ngữ tự nhiên - Đề 02

1 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 1: Trong xử lý ngôn ngữ tự nhiên (NLP), bước tiền xử lý nào sau đây giúp giảm số chiều dữ liệu và tập trung vào gốc từ, qua đó cải thiện hiệu suất của mô hình?

Mã hóa từ (Word Embedding)

Thân từ (Stemming)

Tách từ (Tokenization)

Loại bỏ từ dừng (Stop word removal)

Câu hỏi tập trung vào kỹ năng hiểu và áp dụng các bước tiền xử lý trong NLP để tối ưu hóa mô hình. Thân từ (Stemming) và Lemmatization đều là các kỹ thuật giảm chiều dữ liệu bằng cách đưa từ về dạng gốc, nhưng Stemming thường được biết đến với tính hiệu quả và tốc độ cao hơn, phù hợp với mục tiêu cải thiện hiệu suất.

2 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 2: Mô hình Bag-of-Words (BoW) và TF-IDF cùng được sử dụng để biểu diễn văn bản thành vectơ số. Điểm khác biệt chính giữa hai phương pháp này là gì?

BoW giữ lại thứ tự từ, TF-IDF thì không.

TF-IDF biểu diễn từ dưới dạng vectơ liên tục, BoW thì không.

TF-IDF đánh trọng số cho từ dựa trên tần suất nghịch đảo văn bản, BoW thì không.

BoW phù hợp với văn bản dài, TF-IDF phù hợp với văn bản ngắn.

Câu hỏi kiểm tra khả năng phân biệt và so sánh hai phương pháp biểu diễn văn bản cơ bản trong NLP. BoW chỉ đếm tần suất từ, trong khi TF-IDF điều chỉnh tần suất này bằng cách giảm trọng số của các từ phổ biến xuất hiện trong nhiều văn bản, từ đó làm nổi bật các từ đặc trưng.

3 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 3: Xét đoạn văn bản: 'Tôi rất thích bộ phim này. Diễn viên diễn xuất tuyệt vời, cốt truyện hấp dẫn!'. Phân tích tình cảm (Sentiment Analysis) đoạn văn bản này sẽ cho ra kết quả gì?

Tình cảm tích cực

Tình cảm tiêu cực

Tình cảm trung lập

Không thể xác định tình cảm

Câu hỏi yêu cầu áp dụng kiến thức về phân tích tình cảm vào một ngữ cảnh cụ thể. Đoạn văn bản chứa các từ ngữ tích cực như 'thích', 'tuyệt vời', 'hấp dẫn', cho thấy tình cảm chung là tích cực.

4 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 4: Trong bài toán Nhận dạng Thực thể Có tên (Named Entity Recognition - NER), mục tiêu chính là gì?

Phân loại văn bản theo chủ đề.

Xác định và phân loại các thực thể có tên trong văn bản.

Phân tích quan điểm và thái độ trong văn bản.

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.

Câu hỏi kiểm tra kiến thức về mục tiêu cốt lõi của NER. NER tập trung vào việc xác định và phân loại các thực thể có tên (tổ chức, người, địa điểm, thời gian, v.v.) trong văn bản.

5 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 5: Phương pháp Word Embedding (ví dụ: Word2Vec, GloVe) biểu diễn từ ngữ như thế nào?

Dạng số nguyên duy nhất.

Dạng ký tự Unicode.

Dạng vectơ số trong không gian nhiều chiều.

Dạng mã nhị phân.

Câu hỏi kiểm tra sự hiểu biết về Word Embedding. Word Embedding biểu diễn từ thành các vectơ số trong không gian nhiều chiều, sao cho các từ có nghĩa tương tự nhau sẽ có vectơ gần nhau trong không gian đó.

6 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 6: Mô hình ngôn ngữ n-gram dựa trên giả định quan trọng nào về sự phụ thuộc giữa các từ trong câu?

Mỗi từ trong câu độc lập với nhau.

Từ hiện tại phụ thuộc vào tất cả các từ đứng trước.

Từ hiện tại phụ thuộc vào tất cả các từ trong câu.

Từ hiện tại chỉ phụ thuộc vào n-1 từ đứng trước nó.

Câu hỏi tập trung vào kiến thức về mô hình n-gram và giả định Markov ẩn sau nó. Mô hình n-gram giả định rằng xác suất xuất hiện của một từ chỉ phụ thuộc vào n-1 từ đứng trước nó.

7 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 7: Trong kiến trúc Transformer, cơ chế Attention (chú ý) đóng vai trò gì?

Tăng tốc độ tính toán của mô hình.

Cho phép mô hình tập trung vào các phần quan trọng của dữ liệu đầu vào.

Giảm thiểu hiện tượng biến mất gradient.

Khởi tạo ngẫu nhiên các tham số của mô hình.

Câu hỏi kiểm tra hiểu biết về cơ chế Attention trong Transformer, một kiến trúc quan trọng trong NLP hiện đại. Attention cho phép mô hình tập trung vào các phần liên quan nhất của dữ liệu đầu vào khi xử lý, cải thiện khả năng nắm bắt ngữ cảnh và quan hệ giữa các từ.

8 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 8: Nhiệm vụ nào sau đây *không phải* là ứng dụng của Xử lý Ngôn ngữ Tự nhiên trong lĩnh vực Y tế?

Trích xuất thông tin từ bệnh án điện tử.

Hỗ trợ bác sĩ trong quá trình chẩn đoán bệnh.

Tóm tắt các nghiên cứu y văn khoa học.

Thiết kế chip máy tính hiệu năng cao.

Câu hỏi kiểm tra khả năng phân biệt ứng dụng NLP trong Y tế và các lĩnh vực khác. Các ứng dụng như trích xuất thông tin bệnh án, hỗ trợ chẩn đoán, và tóm tắt y văn đều là ứng dụng NLP trong Y tế. Thiết kế chip máy tính không liên quan đến NLP trong Y tế.

9 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 9: Để đánh giá chất lượng của mô hình dịch máy, thước đo BLEU (Bilingual Evaluation Understudy) tập trung vào yếu tố nào?

Mức độ trùng khớp n-gram giữa bản dịch máy và bản dịch tham khảo.

Tính trôi chảy và tự nhiên của bản dịch máy.

Độ chính xác ngữ nghĩa của bản dịch máy.

Tốc độ dịch của mô hình.

Câu hỏi kiểm tra kiến thức về thước đo đánh giá trong NLP, cụ thể là BLEU trong dịch máy. BLEU đo độ tương đồng giữa bản dịch của máy và các bản dịch tham khảo của con người, dựa trên số lượng n-gram trùng khớp.

10 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 10: Trong quy trình xây dựng chatbot, kỹ thuật Intent Recognition (Nhận diện Ý định) có vai trò gì?

Tạo ra câu trả lời tự nhiên và trôi chảy.

Chuyển đổi văn bản thành giọng nói.

Xác định mục đích hoặc ý định của người dùng từ câu hỏi.

Lưu trữ lịch sử hội thoại với người dùng.

Câu hỏi kiểm tra hiểu biết về vai trò của Intent Recognition trong chatbot. Intent Recognition giúp chatbot hiểu được mục đích hoặc ý định của người dùng thông qua câu nói của họ, từ đó đưa ra phản hồi phù hợp.

11 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 11: Kỹ thuật nào sau đây được sử dụng để giảm thiểu tác động của 'từ dừng' (stop words) trong phân tích văn bản?

Thân từ (Stemming)

Loại bỏ từ dừng (Stop word removal)

Tách từ (Tokenization)

Gán nhãn POS (Part-of-Speech tagging)

Câu hỏi kiểm tra kiến thức về xử lý 'từ dừng'. Loại bỏ từ dừng là kỹ thuật phổ biến để giảm nhiễu và tập trung vào các từ mang nhiều thông tin hơn trong văn bản.

12 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 12: Mô hình nào sau đây thuộc kiến trúc Transformer và nổi tiếng với khả năng hiểu ngữ cảnh hai chiều trong văn bản?

BERT

RNN (Mạng nơ-ron hồi quy)

CNN (Mạng nơ-ron tích chập)

SVM (Máy vectơ hỗ trợ)

Câu hỏi kiểm tra kiến thức về các mô hình Transformer, đặc biệt là BERT. BERT được biết đến với việc sử dụng Transformer encoder và khả năng hiểu ngữ cảnh hai chiều (bidirectional context) thông qua masked language model và next sentence prediction.

13 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 13: Trong lĩnh vực NLP, 'vấn đề từ vựng ngoài tập huấn' (Out-of-Vocabulary - OOV) đề cập đến tình huống nào?

Văn bản đầu vào chứa quá nhiều từ phức tạp.

Mô hình NLP không đủ mạnh để xử lý từ mới.

Mô hình gặp phải từ không có trong từ vựng huấn luyện.

Dữ liệu huấn luyện chứa lỗi chính tả.

Câu hỏi kiểm tra hiểu biết về vấn đề OOV. OOV xảy ra khi mô hình gặp phải các từ không xuất hiện trong dữ liệu huấn luyện của nó.

14 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 14: Để thực hiện phân tích cú pháp phụ thuộc (Dependency Parsing), mục tiêu là xác định điều gì?

Các thành phần chính của câu (chủ ngữ, vị ngữ, tân ngữ).

Mối quan hệ phụ thuộc ngữ pháp giữa các từ trong câu.

Loại từ của mỗi từ trong câu (danh từ, động từ, tính từ).

Ý nghĩa ngữ nghĩa của câu.

Câu hỏi kiểm tra kiến thức về phân tích cú pháp phụ thuộc. Phân tích cú pháp phụ thuộc nhằm xác định mối quan hệ phụ thuộc giữa các từ trong câu, biểu diễn cấu trúc ngữ pháp của câu.

15 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 15: Kỹ thuật 'Tóm tắt văn bản trừu tượng' (Abstractive Text Summarization) khác biệt so với 'Tóm tắt văn bản khai thác' (Extractive Text Summarization) như thế nào?

Tóm tắt khai thác tạo ra bản tóm tắt ngắn hơn.

Tóm tắt trừu tượng nhanh hơn tóm tắt khai thác.

Tóm tắt khai thác giữ nguyên cấu trúc câu gốc, trừu tượng thì không.

Tóm tắt trừu tượng tạo ra nội dung mới, tóm tắt khai thác chọn lọc từ văn bản gốc.

Câu hỏi so sánh hai phương pháp tóm tắt văn bản. Tóm tắt trừu tượng tạo ra bản tóm tắt mới bằng cách diễn giải và viết lại nội dung gốc, trong khi tóm tắt khai thác chỉ chọn lọc và ghép nối các phần quan trọng từ văn bản gốc.

16 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 16: Cho câu: 'Con mèo trèo cây cau'. Gán nhãn POS (Part-of-Speech tagging) cho từ 'trèo' sẽ là gì?

Danh từ (Noun)

Động từ (Verb)

Tính từ (Adjective)

Giới từ (Preposition)

Câu hỏi yêu cầu áp dụng kiến thức về POS tagging. Trong câu này, 'trèo' là một hành động, do đó nhãn POS phù hợp là động từ (Verb).

17 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 17: Mô hình ngôn ngữ GPT (Generative Pre-trained Transformer) nổi tiếng với khả năng vượt trội trong nhiệm vụ nào?

Phân loại văn bản

Dịch máy

Sinh văn bản (Text Generation)

Nhận dạng thực thể có tên

Câu hỏi kiểm tra kiến thức về mô hình GPT và ứng dụng chính của nó. GPT được biết đến với khả năng sinh văn bản tự nhiên và mạch lạc, thể hiện qua nhiều ứng dụng như tạo nội dung, chatbot, v.v.

18 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 18: Trong xử lý ngôn ngữ tự nhiên, độ đo 'Cosine Similarity' được sử dụng để làm gì?

Đo độ tương đồng giữa hai vectơ.

Đánh giá hiệu suất mô hình phân loại.

Giảm chiều dữ liệu.

Phát hiện thực thể có tên.

Câu hỏi kiểm tra kiến thức về độ đo Cosine Similarity. Cosine Similarity đo góc giữa hai vectơ, thường được dùng để tính độ tương đồng giữa hai vectơ biểu diễn văn bản hoặc từ ngữ.

19 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 19: Kỹ thuật 'Data Augmentation' (Tăng cường dữ liệu) trong NLP nhằm mục đích gì?

Giảm kích thước bộ dữ liệu huấn luyện.

Tăng sự đa dạng của dữ liệu huấn luyện.

Chuẩn hóa định dạng dữ liệu.

Đánh giá chất lượng dữ liệu.

Câu hỏi kiểm tra hiểu biết về Data Augmentation trong NLP. Data Augmentation tạo thêm dữ liệu huấn luyện bằng cách biến đổi dữ liệu hiện có, giúp mô hình học tốt hơn và giảm overfitting.

20 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 20: Cho đoạn văn: 'Thời tiết hôm nay đẹp quá!'. Nếu áp dụng kỹ thuật 'Tokenization' ở mức độ từ, kết quả sẽ là gì?

['Thời tiết hôm nay đẹp quá!']

['Thời tiết', 'hôm nay', 'đẹp', 'quá', '!']

['Thời', 'tiết', 'hôm', 'nay', 'đẹp', 'quá', '!']

['Th', 'ờ', 'i', ' ', 't', 'i', 'ế', 't', ...]

Câu hỏi yêu cầu áp dụng kỹ thuật Tokenization. Tokenization mức độ từ chia câu thành các từ đơn lẻ.

21 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 21: Mô hình ngôn ngữ nào sau đây sử dụng cơ chế 'Recurrent' (hồi quy) để xử lý dữ liệu tuần tự?

Transformer

CNN

MLP (Mạng nơ-ron đa lớp)

RNN (Mạng nơ-ron hồi quy)

Câu hỏi kiểm tra kiến thức về các kiến trúc mạng nơ-ron trong NLP, đặc biệt là RNN. RNN được thiết kế để xử lý dữ liệu tuần tự bằng cách duy trì trạng thái ẩn qua các bước thời gian.

22 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 22: Trong phân tích tình cảm, 'lexicon-based approach' (phương pháp dựa trên từ điển) hoạt động như thế nào?

Huấn luyện mô hình máy học trên dữ liệu gán nhãn.

Sử dụng từ điển chứa điểm số tình cảm của từ để phân tích.

Phân tích cấu trúc cú pháp của câu để xác định tình cảm.

Kết hợp nhiều mô hình máy học khác nhau.

Câu hỏi kiểm tra kiến thức về phương pháp tiếp cận lexicon-based trong phân tích tình cảm. Phương pháp này sử dụng từ điển tình cảm để gán nhãn tình cảm cho từ và tổng hợp để xác định tình cảm chung của văn bản.

23 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 23: 'Bias' (Thiên kiến) trong mô hình NLP có thể phát sinh từ đâu?

Thuật toán học máy sử dụng.

Kích thước của dữ liệu huấn luyện.

Ngôn ngữ lập trình sử dụng.

Dữ liệu huấn luyện và thiết kế mô hình.

Câu hỏi kiểm tra nhận thức về vấn đề bias trong NLP. Bias có thể xuất phát từ dữ liệu huấn luyện (ví dụ, dữ liệu phản ánh định kiến xã hội), thiết kế mô hình, hoặc cả hai.

24 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 24: Trong ngữ cảnh của Chatbot, 'Fall-back mechanism' (Cơ chế dự phòng) được sử dụng khi nào?

Khi chatbot cần phản hồi nhanh chóng.

Khi chatbot cần xác thực người dùng.

Khi chatbot không hiểu hoặc không thể xử lý yêu cầu.

Khi chatbot cần chuyển cuộc trò chuyện cho người.

Câu hỏi kiểm tra kiến thức về chatbot và cơ chế fall-back. Cơ chế fall-back được kích hoạt khi chatbot không hiểu hoặc không thể xử lý yêu cầu của người dùng.

25 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 25: Để cải thiện khả năng xử lý ngôn ngữ tiếng Việt của mô hình NLP, điều nào sau đây là quan trọng?

Sử dụng bộ dữ liệu huấn luyện lớn bằng tiếng Việt và kỹ thuật xử lý tiếng Việt.

Chỉ sử dụng các mô hình NLP tiền huấn luyện đa ngôn ngữ.

Loại bỏ hoàn toàn từ dừng trong tiếng Việt.

Áp dụng các kỹ thuật Stemming mạnh mẽ cho tiếng Việt.

Câu hỏi tập trung vào đặc thù của tiếng Việt trong NLP. Do tiếng Việt là ngôn ngữ đơn lập và giàu hình thái, việc sử dụng dữ liệu tiếng Việt lớn và các kỹ thuật xử lý ngôn ngữ đặc thù cho tiếng Việt là rất quan trọng.

26 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 26: Kỹ thuật 'Cross-lingual Word Embeddings' (Word Embeddings đa ngôn ngữ) cho phép mô hình NLP làm gì?

Dịch văn bản giữa các ngôn ngữ khác nhau.

Xử lý và so sánh văn bản từ nhiều ngôn ngữ khác nhau.

Tạo ra văn bản mới bằng nhiều ngôn ngữ.

Phân loại văn bản theo ngôn ngữ.

Câu hỏi kiểm tra kiến thức về Cross-lingual Word Embeddings. Kỹ thuật này giúp mô hình NLP hiểu và xử lý ngôn ngữ khác nhau trong cùng một không gian biểu diễn, hỗ trợ các tác vụ đa ngôn ngữ như dịch máy, truy vấn đa ngôn ngữ.

27 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 27: Trong lĩnh vực NLP, thuật ngữ 'Zero-shot learning' (Học không cần ví dụ) có nghĩa là gì?

Mô hình học mà không cần dữ liệu huấn luyện.

Mô hình học chỉ với một vài ví dụ huấn luyện.

Mô hình thực hiện tác vụ trên lớp mới mà không cần ví dụ huấn luyện cho lớp đó.

Mô hình học từ dữ liệu không gán nhãn.

Câu hỏi kiểm tra hiểu biết về Zero-shot learning. Zero-shot learning là khả năng mô hình thực hiện các tác vụ hoặc phân loại các lớp mà nó chưa từng được huấn luyện trực tiếp.

28 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 28: Để đánh giá mô hình Nhận dạng Thực thể Có tên (NER), độ đo 'F1-score' được tính dựa trên những độ đo nào?

Accuracy và Specificity.

Precision và Recall.

Recall và Support.

Accuracy và Support.

Câu hỏi kiểm tra kiến thức về đánh giá mô hình NER và độ đo F1-score. F1-score là trung bình điều hòa của Precision (Độ chính xác) và Recall (Độ phủ), thường được dùng để đánh giá hiệu suất của các mô hình phân loại, bao gồm NER.

29 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 29: Trong ngữ cảnh của mô hình Transformer, 'Multi-head Attention' (Cơ chế chú ý đa đầu) có lợi ích gì so với 'Single-head Attention' (Cơ chế chú ý đơn đầu)?

Giảm độ phức tạp tính toán.

Tăng tốc độ huấn luyện mô hình.

Giảm số lượng tham số mô hình.

Cho phép mô hình học nhiều mối quan hệ khác nhau giữa các từ.

Câu hỏi so sánh Multi-head và Single-head Attention trong Transformer. Multi-head Attention cho phép mô hình học được nhiều khía cạnh khác nhau của mối quan hệ giữa các từ, cải thiện khả năng biểu diễn và hiệu suất.

30 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 02

Câu 30: Ứng dụng nào sau đây *không* thuộc lĩnh vực Xử lý Ngôn ngữ Tự nhiên?

Chatbot thông minh.

Dịch máy tự động.

Nhận diện khuôn mặt.

Phân tích tình cảm khách hàng về sản phẩm.

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi tổng hợp về ứng dụng NLP. Các ứng dụng như chatbot, dịch máy, phân tích tình cảm đều là ứng dụng NLP. Nhận diện khuôn mặt thuộc lĩnh vực thị giác máy tính, không phải NLP.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Trắc nghiệm Xử lí ngôn ngữ tự nhiên - Đề 03

1 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 1: Trong xử lý ngôn ngữ tự nhiên (NLP), bước tiền xử lý nào sau đây giúp giảm số chiều của dữ liệu văn bản bằng cách loại bỏ các từ phổ biến nhưng ít mang lại thông tin ngữ nghĩa?

Tách từ (Tokenization)

Gán nhãn POS (Part-of-Speech Tagging)

Loại bỏ Stop words

Chuẩn hóa văn bản (Text Normalization)

Câu hỏi tập trung vào kỹ năng hiểu và nhận biết mục đích của việc loại bỏ stop words trong tiền xử lý văn bản, một bước quan trọng để cải thiện hiệu suất và giảm độ phức tạp cho các mô hình NLP.

2 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 2: Mô hình Bag-of-Words (BoW) biểu diễn văn bản bằng cách nào?

Đếm tần suất xuất hiện của mỗi từ trong văn bản và tạo vector đặc trưng.

Mã hóa văn bản thành một chuỗi các ký tự Unicode.

Phân tích cấu trúc ngữ pháp của câu và biểu diễn dưới dạng cây cú pháp.

Sử dụng mạng nơ-ron để học biểu diễn vector cho từng từ dựa trên ngữ cảnh.

Câu hỏi kiểm tra kiến thức về mô hình BoW, một kỹ thuật cơ bản trong NLP để chuyển đổi văn bản thành định dạng số, tập trung vào sự hiện diện và tần suất của từ mà không quan tâm đến thứ tự.

3 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 3: Kỹ thuật Word Embedding (ví dụ: Word2Vec, GloVe) có ưu điểm gì vượt trội so với mô hình BoW trong biểu diễn từ ngữ?

Word Embedding đơn giản và dễ tính toán hơn BoW.

Word Embedding thể hiện được ngữ nghĩa của từ và mối quan hệ giữa các từ.

Word Embedding tạo ra vector đặc trưng có số chiều lớn hơn BoW.

Word Embedding không yêu cầu tiền xử lý văn bản phức tạp như BoW.

Câu hỏi so sánh Word Embedding và BoW, tập trung vào khả năng của Word Embedding trong việc nắm bắt ý nghĩa ngữ nghĩa và quan hệ giữa các từ, điều mà BoW không thể hiện được.

4 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 4: Bài toán phân loại văn bản (Text Classification) có ứng dụng nào sau đây?

Dịch máy (Machine Translation)

Tóm tắt văn bản (Text Summarization)

Sinh văn bản (Text Generation)

Phân loại email spam (Spam Email Detection)

Câu hỏi kiểm tra khả năng nhận diện ứng dụng thực tế của bài toán phân loại văn bản, một trong những nhiệm vụ quan trọng và phổ biến của NLP.

5 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 5: Mô hình ngôn ngữ (Language Model) được sử dụng để làm gì?

Phân tích cú pháp câu (Syntactic Parsing)

Dự đoán xác suất xuất hiện của một chuỗi từ trong ngôn ngữ.

Phân tích tình cảm văn bản (Sentiment Analysis)

Nhận dạng thực thể có tên (Named Entity Recognition)

Câu hỏi tập trung vào mục đích chính của mô hình ngôn ngữ, đó là dự đoán khả năng xuất hiện của một chuỗi từ, nền tảng cho nhiều ứng dụng NLP khác.

6 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 6: Trong kiến trúc Transformer, cơ chế Attention (cơ chế chú ý) đóng vai trò gì?

Tăng tốc độ tính toán của mô hình.

Giảm thiểu hiện tượng overfitting.

Cho phép mô hình tập trung vào các phần quan trọng của đầu vào khi xử lý.

Thay thế hoàn toàn các lớp RNN (Recurrent Neural Network).

Câu hỏi đi sâu vào kiến trúc Transformer, một kiến trúc mạng nơ-ron quan trọng trong NLP, và tập trung vào vai trò của cơ chế Attention trong việc xử lý thông tin theo ngữ cảnh.

7 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 7: Nhiệm vụ Named Entity Recognition (NER) nhằm mục đích gì?

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

Phân tích cảm xúc và thái độ thể hiện trong văn bản.

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.

Tóm tắt nội dung chính của văn bản.

Câu hỏi kiểm tra hiểu biết về NER, một nhiệm vụ NLP quan trọng trong việc trích xuất thông tin có cấu trúc từ văn bản phi cấu trúc.

8 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 8: Phương pháp Stemming và Lemmatization khác nhau như thế nào trong việc chuẩn hóa từ ngữ?

Stemming phức tạp hơn Lemmatization và sử dụng từ điển.

Stemming loại bỏ hậu tố một cách đơn giản, còn Lemmatization đưa từ về dạng gốc có nghĩa.

Stemming chỉ áp dụng cho tiếng Anh, Lemmatization áp dụng cho nhiều ngôn ngữ.

Stemming giữ lại nhiều thông tin ngữ nghĩa hơn Lemmatization.

Câu hỏi so sánh hai kỹ thuật chuẩn hóa từ ngữ phổ biến, Stemming và Lemmatization, nhấn mạnh sự khác biệt về cách tiếp cận và kết quả của chúng.

9 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 9: TF-IDF (Term Frequency-Inverse Document Frequency) được sử dụng để làm gì trong NLP?

Giảm số chiều dữ liệu văn bản.

Phân tích ngữ pháp của câu.

Đánh giá tầm quan trọng của từ trong một văn bản so với một tập hợp các văn bản.

Phát hiện ngôn ngữ của văn bản.

Câu hỏi tập trung vào công dụng của TF-IDF, một kỹ thuật quan trọng để đánh trọng số từ trong văn bản, giúp xác định từ nào quan trọng trong một văn bản so với tập hợp văn bản.

10 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 10: Trong bài toán phân tích tình cảm (Sentiment Analysis), độ phân cực (polarity) của văn bản thường được xác định như thế nào?

Xác định xem văn bản thể hiện cảm xúc tích cực, tiêu cực hay trung tính.

Đếm số lượng từ cảm xúc trong văn bản.

Phân tích cấu trúc ngữ pháp để tìm ra chủ thể và đối tượng của cảm xúc.

Dịch văn bản sang ngôn ngữ khác để phân tích tình cảm.

Câu hỏi về phân tích tình cảm, tập trung vào khái niệm độ phân cực, một khía cạnh quan trọng để đo lường cảm xúc thể hiện trong văn bản.

11 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 11: RNN (Recurrent Neural Network) phù hợp với loại dữ liệu nào trong NLP?

Dữ liệu hình ảnh tĩnh.

Dữ liệu chuỗi (ví dụ: văn bản, chuỗi thời gian).

Dữ liệu dạng bảng.

Dữ liệu âm thanh độc lập.

Câu hỏi kiểm tra sự hiểu biết về loại dữ liệu mà RNN xử lý tốt, đó là dữ liệu chuỗi (sequential data) như văn bản, do khả năng ghi nhớ thông tin từ các bước thời gian trước đó.

12 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 12: Mục tiêu chính của kỹ thuật Machine Translation (Dịch máy) là gì?

Phân tích cấu trúc ngữ pháp của văn bản.

Tóm tắt nội dung chính của văn bản.

Chuyển đổi văn bản từ ngôn ngữ nguồn sang ngôn ngữ đích.

Phân loại chủ đề của văn bản.

Câu hỏi về mục tiêu cốt lõi của dịch máy, đó là chuyển đổi văn bản từ ngôn ngữ nguồn sang ngôn ngữ đích một cách tự động và chính xác.

13 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 13: BLEU (Bilingual Evaluation Understudy) score là gì và được sử dụng để đánh giá điều gì?

Đo độ chính xác của mô hình phân loại văn bản.

Đánh giá hiệu quả của thuật toán NER.

Đo mức độ liên quan của kết quả tìm kiếm văn bản.

Đánh giá chất lượng của bản dịch máy so với bản dịch tham khảo.

Câu hỏi về BLEU score, một độ đo quan trọng trong NLP để đánh giá chất lượng của đầu ra dịch máy so với bản dịch tham khảo.

14 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 14: Kỹ thuật nào sau đây giúp xử lý vấn đề từ 'out-of-vocabulary' (OOV) trong mô hình ngôn ngữ?

Loại bỏ stop words.

Byte Pair Encoding (BPE).

Stemming.

TF-IDF.

Câu hỏi về vấn đề OOV, một thách thức thường gặp trong NLP, và các kỹ thuật để giải quyết, trong đó Byte Pair Encoding (BPE) là một phương pháp hiệu quả.

15 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 15: Mô hình Transformer ưu việt hơn RNN trong nhiều nhiệm vụ NLP, đặc biệt là xử lý chuỗi dài, vì lý do chính nào?

Transformer có số lượng tham số ít hơn RNN.

Transformer dễ huấn luyện hơn RNN.

Transformer có thể xử lý song song và cơ chế Attention giúp nắm bắt phụ thuộc xa tốt hơn.

Transformer không yêu cầu dữ liệu huấn luyện lớn như RNN.

Câu hỏi so sánh Transformer và RNN, nhấn mạnh ưu điểm của Transformer trong việc xử lý chuỗi dài nhờ cơ chế Attention và khả năng song song hóa.

16 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 16: Ứng dụng nào sau đây sử dụng kỹ thuật Question Answering (Hỏi đáp tự động)?

Hệ thống gợi ý sản phẩm (Recommender System).

Hệ thống phát hiện gian lận (Fraud Detection System).

Hệ thống phân tích mạng xã hội (Social Network Analysis System).

Chatbot hỗ trợ khách hàng.

Câu hỏi kiểm tra khả năng nhận biết ứng dụng thực tế của Question Answering, một lĩnh vực NLP tập trung vào việc xây dựng hệ thống có thể trả lời câu hỏi của con người.

17 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 17: Kỹ thuật Summarization (Tóm tắt văn bản) có hai loại chính là extractive và abstractive. Sự khác biệt cơ bản giữa chúng là gì?

Extractive tóm tắt nhanh hơn abstractive.

Extractive chọn lọc câu từ văn bản gốc, abstractive diễn đạt lại ý bằng từ ngữ mới.

Extractive phù hợp với văn bản ngắn, abstractive cho văn bản dài.

Extractive sử dụng học máy, abstractive thì không.

Câu hỏi phân loại kỹ thuật tóm tắt văn bản thành extractive và abstractive, làm rõ sự khác biệt về cách thức tạo ra bản tóm tắt.

18 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 18: Mô hình BERT (Bidirectional Encoder Representations from Transformers) có đặc điểm nổi bật nào so với các mô hình ngôn ngữ trước đó?

BERT học biểu diễn ngữ cảnh hai chiều của từ (bidirectional context).

BERT chỉ sử dụng cơ chế encoder của Transformer.

BERT yêu cầu ít dữ liệu huấn luyện hơn các mô hình khác.

BERT có thể sinh văn bản tự nhiên tốt hơn.

Câu hỏi về BERT, một mô hình ngôn ngữ transformer quan trọng, tập trung vào tính năng học biểu diễn hai chiều (bidirectional) giúp mô hình hiểu ngữ cảnh tốt hơn.

19 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 19: Trong NLP, 'n-gram' là gì?

Một phương pháp mã hóa văn bản thành số.

Một thuật toán phân tích cú pháp.

Một chuỗi gồm n từ liên tiếp trong văn bản.

Một loại mô hình ngôn ngữ.

Câu hỏi kiểm tra kiến thức về n-gram, một khái niệm cơ bản trong NLP để phân tích chuỗi từ liên tiếp trong văn bản.

20 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 20: Kỹ thuật 'parsing' (phân tích cú pháp) trong NLP nhằm mục đích gì?

Phân loại văn bản theo chủ đề.

Phân tích cấu trúc ngữ pháp của câu để hiểu mối quan hệ giữa các từ.

Dịch câu từ ngôn ngữ này sang ngôn ngữ khác.

Tóm tắt nội dung chính của câu.

Câu hỏi về parsing, một nhiệm vụ NLP quan trọng để hiểu cấu trúc ngữ pháp của câu và mối quan hệ giữa các thành phần.

21 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 21: WordNet là gì và nó được sử dụng để làm gì trong NLP?

Một thư viện Python để xử lý văn bản.

Một thuật toán học máy để phân tích tình cảm.

Một mô hình ngôn ngữ dựa trên mạng nơ-ron.

Một cơ sở dữ liệu từ vựng ngữ nghĩa, cung cấp thông tin về từ đồng nghĩa, trái nghĩa, quan hệ 'is-a', v.v.

Câu hỏi về WordNet, một cơ sở dữ liệu từ vựng quan trọng, và công dụng của nó trong việc cung cấp thông tin ngữ nghĩa và quan hệ giữa các từ.

22 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 22: Cosine similarity được sử dụng để làm gì trong NLP?

Đo độ dài của văn bản.

Đánh giá hiệu suất mô hình dịch máy.

Tính độ tương đồng giữa hai vector biểu diễn văn bản hoặc từ.

Phân tích tần suất từ trong văn bản.

Câu hỏi về cosine similarity, một độ đo phổ biến trong NLP để tính độ tương đồng giữa hai vector, thường được dùng để so sánh văn bản.

23 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 23: Kỹ thuật 'backpropagation' được sử dụng để làm gì trong huấn luyện mạng nơ-ron cho các bài toán NLP?

Tiền xử lý dữ liệu văn bản.

Tính toán gradient và cập nhật trọng số của mạng nơ-ron để giảm thiểu hàm mất mát.

Đánh giá hiệu suất của mô hình NLP.

Tối ưu hóa kiến trúc mạng nơ-ron.

Câu hỏi về backpropagation, một thuật toán cơ bản để huấn luyện mạng nơ-ron, đặc biệt quan trọng trong các mô hình deep learning cho NLP.

24 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 24: Dropout là gì và tại sao nó được sử dụng trong mạng nơ-ron cho NLP?

Một kỹ thuật regularization để giảm overfitting bằng cách ngẫu nhiên bỏ qua một số nơ-ron trong quá trình huấn luyện.

Một hàm kích hoạt phổ biến trong mạng nơ-ron.

Một phương pháp tối ưu hóa tốc độ huấn luyện mạng nơ-ron.

Một kiến trúc mạng nơ-ron đặc biệt cho NLP.

Câu hỏi về dropout, một kỹ thuật regularization quan trọng để ngăn chặn overfitting trong mạng nơ-ron, thường được áp dụng trong NLP.

25 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 25: Few-shot learning và zero-shot learning là gì trong NLP và chúng giải quyết vấn đề gì?

Các phương pháp tăng tốc độ huấn luyện mô hình NLP.

Các kỹ thuật cải thiện độ chính xác của mô hình dịch máy.

Các phương pháp học với rất ít hoặc không có dữ liệu huấn luyện có nhãn cho một nhiệm vụ cụ thể.

Các kiến trúc mạng nơ-ron mới cho NLP.

Câu hỏi về few-shot và zero-shot learning, các phương pháp học máy tiên tiến để giải quyết vấn đề thiếu dữ liệu huấn luyện có nhãn, đặc biệt quan trọng trong NLP.

26 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 26: Giải thích khái niệm 'context window' (cửa sổ ngữ cảnh) trong mô hình Word2Vec.

Số lượng từ vựng tối đa mà mô hình Word2Vec có thể xử lý.

Số lượng từ xung quanh từ mục tiêu được xem xét để học biểu diễn vector từ.

Kích thước của vector biểu diễn từ trong Word2Vec.

Thời gian huấn luyện mô hình Word2Vec.

Câu hỏi về context window trong Word2Vec, một khái niệm quan trọng để hiểu cách mô hình này học biểu diễn từ dựa trên ngữ cảnh xung quanh.

27 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 27: Mô hình ngôn ngữ GPT (Generative Pre-trained Transformer) nổi tiếng với khả năng gì?

Sinh văn bản tự nhiên và mạch lạc với chất lượng cao.

Dịch máy chính xác và nhanh chóng.

Phân tích tình cảm văn bản đa dạng.

Nhận dạng thực thể có tên với độ chính xác tuyệt đối.

Câu hỏi về GPT, một mô hình ngôn ngữ lớn nổi tiếng, tập trung vào khả năng sinh văn bản tự nhiên và mạch lạc.

28 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 28: ROUGE (Recall-Oriented Understudy for Gisting Evaluation) là một độ đo thường được sử dụng để đánh giá hiệu suất của nhiệm vụ NLP nào?

Phân loại văn bản.

Dịch máy.

Tóm tắt văn bản.

Nhận dạng thực thể có tên.

Câu hỏi về ROUGE, một độ đo quan trọng để đánh giá chất lượng của tóm tắt văn bản tự động.

29 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 29: Tại sao việc xử lý ngôn ngữ tự nhiên lại gặp nhiều thách thức?

Do thiếu dữ liệu huấn luyện đủ lớn.

Do giới hạn về sức mạnh tính toán của máy tính.

Do các thuật toán học máy chưa đủ mạnh.

Do tính mơ hồ của ngôn ngữ, ngữ cảnh và sự đa dạng trong cách diễn đạt.

Câu hỏi tổng quan về các thách thức trong NLP, nhấn mạnh tính mơ hồ của ngôn ngữ và sự đa dạng trong cách sử dụng ngôn ngữ.

30 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 03

Câu 30: Xét bài toán phân loại email thành 'spam' hoặc 'không spam'. Metric đánh giá nào sau đây là phù hợp nhất để tối ưu hóa nếu mục tiêu là giảm thiểu tối đa việc bỏ sót email spam (tức là hạn chế email spam rơi vào hộp thư đến)?

Độ chính xác (Accuracy)

Độ thu hồi (Recall)

Độ chính xác (Precision)

F1-score

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi tình huống về lựa chọn metric đánh giá trong bài toán thực tế, yêu cầu vận dụng kiến thức về precision, recall, F1-score để chọn metric phù hợp với mục tiêu cụ thể (giảm false negatives - bỏ sót spam). Trong trường hợp này, Recall là quan trọng nhất.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Trắc nghiệm Xử lí ngôn ngữ tự nhiên - Đề 04

1 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 1: Trong xử lý ngôn ngữ tự nhiên (NLP), quá trình nào biến đổi văn bản thành các đơn vị nhỏ hơn, chẳng hạn như từ, cụm từ hoặc ký tự, để phân tích sâu hơn?

Token hóa (Tokenization)

Chuẩn hóa (Normalization)

Gán nhãn POS (POS Tagging)

Phân tích cú pháp (Parsing)

Câu hỏi kiểm tra kiến thức về bước tiền xử lý cơ bản trong NLP, đó là chia văn bản thành các đơn vị nhỏ hơn để xử lý.

2 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 2: Mô hình 'Bag of Words' (BoW) biểu diễn văn bản như thế nào trong NLP?

Một chuỗi các từ theo thứ tự xuất hiện trong văn bản.

Một đồ thị thể hiện mối quan hệ ngữ nghĩa giữa các từ.

Một tập hợp các từ và tần suất xuất hiện của chúng, bỏ qua thứ tự.

Một vectơ duy nhất mã hóa toàn bộ ngữ nghĩa của văn bản.

Câu hỏi kiểm tra sự hiểu biết về mô hình biểu diễn văn bản BoW, tập trung vào cách nó xử lý văn bản.

3 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 3: TF-IDF là một kỹ thuật quan trọng trong NLP, nó được sử dụng để làm gì?

Phân tích tình cảm của văn bản.

Đánh giá tầm quan trọng của từ trong một tài liệu so với toàn bộ tập tài liệu.

Giảm số chiều dữ liệu văn bản.

Tìm ra các thực thể có tên trong văn bản.

Câu hỏi tập trung vào mục đích sử dụng của TF-IDF, một kỹ thuật phổ biến để đánh trọng số từ.

4 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 4: Trong các mô hình ngôn ngữ, 'word embeddings' (biểu diễn từ dạng vectơ) có ưu điểm gì so với 'Bag of Words'?

Dễ dàng tính toán và xử lý hơn.

Yêu cầu ít bộ nhớ hơn để lưu trữ.

Phù hợp hơn cho các ngôn ngữ có cấu trúc phức tạp.

Nắm bắt được mối quan hệ ngữ nghĩa giữa các từ (ví dụ: từ đồng nghĩa, trái nghĩa).

Câu hỏi so sánh hai phương pháp biểu diễn từ, tập trung vào ưu điểm của word embeddings về mặt ngữ nghĩa.

5 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 5: Nhiệm vụ nào sau đây thuộc về 'phân tích cú pháp' (syntactic parsing) trong NLP?

Xác định chủ đề chính của một đoạn văn bản.

Phân loại văn bản vào các chủ đề khác nhau.

Xác định cấu trúc ngữ pháp của câu và mối quan hệ giữa các từ.

Dịch một câu từ ngôn ngữ này sang ngôn ngữ khác.

Câu hỏi kiểm tra kiến thức về phân tích cú pháp và mục tiêu của nó trong việc hiểu cấu trúc câu.

6 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 6: 'Named Entity Recognition' (NER - Nhận dạng thực thể có tên) là quá trình xác định và phân loại các thực thể có tên trong văn bản. Loại thực thể nào sau đây *không* phải là mục tiêu của NER?

Tổ chức (ví dụ: Google, Apple).

Tính từ (ví dụ: đẹp, thông minh).

Địa điểm (ví dụ: Hà Nội, Paris).

Người (ví dụ: Barack Obama, Marie Curie).

Câu hỏi tập trung vào phạm vi của NER và loại thực thể nào không thuộc phạm vi nhận dạng.

7 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 7: Trong 'phân tích tình cảm' (sentiment analysis), mục tiêu chính là gì?

Xác định thái độ, cảm xúc hoặc ý kiến được thể hiện trong văn bản.

Tóm tắt nội dung chính của một văn bản dài.

Dịch văn bản sang ngôn ngữ khác.

Sửa lỗi chính tả và ngữ pháp trong văn bản.

Câu hỏi kiểm tra mục tiêu cốt lõi của phân tích tình cảm, một ứng dụng quan trọng của NLP.

8 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 8: Kỹ thuật 'stemming' (gốc từ) trong NLP nhằm mục đích gì?

Chuyển đổi từ về dạng chuẩn hóa (ví dụ: chữ thường).

Loại bỏ các từ phổ biến, ít mang thông tin (stop words).

Rút gọn các từ về dạng gốc/cơ sở của chúng.

Phân tích cấu trúc cú pháp của từ.

Câu hỏi hỏi về mục đích của stemming, một kỹ thuật tiền xử lý để đơn giản hóa từ.

9 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 9: 'Lemmatization' (từ gốc) khác với 'stemming' (gốc từ) ở điểm nào?

Lemmatization nhanh hơn stemming.

Stemming cho kết quả từ gốc có nghĩa, còn lemmatization thì không.

Stemming phức tạp hơn lemmatization.

Lemmatization tạo ra từ gốc có nghĩa (lemma) dựa trên từ điển, trong khi stemming có thể tạo ra gốc từ không có nghĩa.

Câu hỏi so sánh stemming và lemmatization, hai kỹ thuật liên quan nhưng khác nhau về mức độ xử lý.

10 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 10: 'Stop words' (từ dừng) là gì và tại sao chúng thường được loại bỏ trong tiền xử lý NLP?

Các từ mang thông tin ngữ nghĩa quan trọng, cần được giữ lại.

Các từ phổ biến, ít mang thông tin (ví dụ: 'và', 'là', 'của'), thường được loại bỏ để giảm nhiễu và tăng hiệu quả.

Các từ đặc biệt chỉ xuất hiện trong một số loại văn bản nhất định.

Các từ được sử dụng để đánh dấu cấu trúc cú pháp của câu.

Câu hỏi giải thích về stop words và lý do loại bỏ chúng, liên quan đến hiệu quả xử lý.

11 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 11: Mô hình ngôn ngữ n-gram hoạt động dựa trên giả định nào?

Các từ trong câu độc lập với nhau.

Ngữ nghĩa của từ không thay đổi theo ngữ cảnh.

Xác suất xuất hiện của một từ chỉ phụ thuộc vào một số từ đứng trước nó (n-1 từ).

Tất cả các từ trong từ vựng đều có tần suất xuất hiện như nhau.

Câu hỏi kiểm tra sự hiểu biết về mô hình n-gram và giả định Markov cơ bản của nó.

12 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 12: 'Topic modeling' (mô hình hóa chủ đề) trong NLP được sử dụng để làm gì?

Dịch văn bản sang ngôn ngữ khác.

Phân loại văn bản theo tình cảm.

Nhận dạng các thực thể có tên trong văn bản.

Khám phá các chủ đề tiềm ẩn trong một tập hợp văn bản lớn.

Câu hỏi tập trung vào mục đích của topic modeling, một kỹ thuật phân tích văn bản để khám phá chủ đề.

13 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 13: Thuật toán nào sau đây thường được sử dụng cho topic modeling?

Latent Dirichlet Allocation (LDA)

Support Vector Machine (SVM)

K-Nearest Neighbors (KNN)

Recurrent Neural Network (RNN)

Câu hỏi kiểm tra kiến thức về một thuật toán phổ biến được sử dụng trong topic modeling.

14 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 14: 'Machine Translation' (dịch máy) là một lĩnh vực quan trọng của NLP. Thách thức lớn nhất trong dịch máy là gì?

Tốc độ xử lý của máy tính.

Duy trì ngữ nghĩa và sắc thái của ngôn ngữ gốc trong ngôn ngữ đích.

Sự khác biệt về bảng chữ cái giữa các ngôn ngữ.

Chi phí thu thập dữ liệu song ngữ.

Câu hỏi đề cập đến thách thức chính trong dịch máy, liên quan đến sự phức tạp của ngôn ngữ.

15 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 15: Kiến trúc mạng nơ-ron nào thường được sử dụng cho các nhiệm vụ xử lý chuỗi tuần tự như dịch máy hoặc tóm tắt văn bản?

Mạng nơ-ron tích chập (CNN)

Mạng nơ-ron truyền thẳng (Feedforward Neural Network)

Mạng nơ-ron hồi quy (RNN) và biến thể LSTM/GRU

Mạng đối kháng sinh (GAN)

Câu hỏi kiểm tra kiến thức về kiến trúc mạng nơ-ron phù hợp cho dữ liệu chuỗi tuần tự trong NLP.

16 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 16: Cơ chế 'attention' (chú ý) trong mạng nơ-ron, đặc biệt là trong kiến trúc Transformer, giúp cải thiện hiệu suất NLP như thế nào?

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

Giảm số lượng tham số của mô hình.

Tăng tốc độ huấn luyện mô hình.

Giúp mô hình xử lý tốt hơn với dữ liệu nhiễu.

Câu hỏi tập trung vào vai trò của cơ chế attention, một thành phần quan trọng trong các mô hình NLP hiện đại.

17 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 17: Mô hình Transformer, nổi tiếng với BERT và GPT, dựa trên cơ chế 'self-attention' (tự chú ý). 'Self-attention' khác gì so với 'attention' thông thường?

'Attention' chỉ được sử dụng trong quá trình suy luận, không phải huấn luyện.

'Self-attention' cho phép mô hình chú ý đến các vị trí khác nhau *trong cùng một chuỗi đầu vào* để tính toán biểu diễn của mỗi từ.

'Self-attention' chỉ hoạt động với dữ liệu hình ảnh, không phải văn bản.

'Self-attention' đơn giản là một tên gọi khác của 'attention'.

Câu hỏi so sánh self-attention với attention thông thường, làm rõ điểm đặc biệt của self-attention trong Transformer.

18 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 18: Mô hình BERT (Bidirectional Encoder Representations from Transformers) có đặc điểm nổi bật nào?

Chỉ có thể được sử dụng cho nhiệm vụ phân loại văn bản.

Được huấn luyện trên dữ liệu có nhãn hoàn toàn.

Được huấn luyện theo hai hướng (bidirectional) để hiểu ngữ cảnh tốt hơn.

Chỉ sử dụng cơ chế attention một lần trong mỗi lớp.

Câu hỏi kiểm tra kiến thức về đặc điểm chính của BERT, một mô hình Transformer quan trọng trong NLP.

19 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 19: 'Text summarization' (tóm tắt văn bản) có hai phương pháp chính: extractive (trích rút) và abstractive (khái quát). Phương pháp 'abstractive summarization' có ưu điểm gì?

Dễ dàng triển khai và tính toán nhanh hơn.

Luôn đảm bảo giữ nguyên thông tin gốc của văn bản.

Không yêu cầu mô hình ngôn ngữ phức tạp.

Có thể tạo ra bản tóm tắt mạch lạc, diễn đạt tự nhiên hơn, không chỉ đơn thuần chọn lọc câu từ gốc.

Câu hỏi so sánh hai phương pháp tóm tắt văn bản, tập trung vào ưu điểm của abstractive summarization.

20 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 20: 'Chatbot' là một ứng dụng phổ biến của NLP. Thành phần cốt lõi nào giúp chatbot hiểu và phản hồi ngôn ngữ tự nhiên của người dùng?

Cơ sở dữ liệu quan hệ.

Mô hình xử lý ngôn ngữ tự nhiên (NLP model).

Giao diện người dùng đồ họa (GUI).

Hệ thống quản lý cơ sở dữ liệu (DBMS).

Câu hỏi liên hệ NLP với ứng dụng chatbot và xác định thành phần NLP quan trọng nhất.

21 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 21: Để đánh giá hiệu suất của mô hình phân loại văn bản, số liệu 'F1-score' kết hợp giữa độ chính xác (precision) và độRecall (nhớ lại) như thế nào?

Trung bình cộng của precision và recall.

Tỷ lệ giữa precision và recall.

Trung bình điều hòa của precision và recall.

Tích của precision và recall.

Câu hỏi kiểm tra sự hiểu biết về F1-score, một số liệu đánh giá quan trọng trong phân loại.

22 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 22: 'Cross-lingual NLP' (NLP đa ngôn ngữ) là gì?

NLP chỉ tập trung vào các ngôn ngữ có nguồn gốc Latinh.

NLP chỉ được áp dụng cho ngôn ngữ tiếng Anh và tiếng Trung.

NLP sử dụng các phương pháp dịch máy để xử lý ngôn ngữ khác nhau.

Lĩnh vực NLP tập trung vào việc phát triển các mô hình và kỹ thuật có thể xử lý ngôn ngữ tự nhiên trên nhiều ngôn ngữ khác nhau.

Câu hỏi định nghĩa về cross-lingual NLP, một lĩnh vực mở rộng của NLP.

23 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 23: 'Zero-shot learning' (học không mẫu) trong NLP có nghĩa là gì?

Mô hình có khả năng thực hiện nhiệm vụ trên các lớp hoặc ngôn ngữ mà nó chưa từng được huấn luyện trực tiếp.

Mô hình được huấn luyện mà không cần bất kỳ dữ liệu huấn luyện nào.

Mô hình chỉ hoạt động tốt với dữ liệu có chất lượng cao, không có nhiễu.

Mô hình có khả năng tự động sửa lỗi trong dữ liệu huấn luyện.

Câu hỏi giải thích về zero-shot learning, một khái niệm quan trọng trong học máy và NLP.

24 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 24: 'Knowledge graph' (đồ thị tri thức) được sử dụng trong NLP để làm gì?

Biểu diễn văn bản dưới dạng đồ thị để phân tích cú pháp.

Tạo ra các biểu diễn từ dạng vectơ (word embeddings).

Biểu diễn tri thức và mối quan hệ giữa các thực thể để hỗ trợ các nhiệm vụ như trả lời câu hỏi, suy luận và khám phá thông tin.

Tóm tắt thông tin từ nhiều nguồn văn bản khác nhau.

Câu hỏi hỏi về ứng dụng của knowledge graph trong NLP, liên quan đến biểu diễn tri thức.

25 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 25: Thư viện nào sau đây *không* phải là một thư viện phổ biến cho NLP trong Python?

NLTK (Natural Language Toolkit)

spaCy

Transformers (Hugging Face)

OpenCV

Câu hỏi kiểm tra kiến thức về các thư viện NLP phổ biến trong Python.

26 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 26: 'Bias' (thiên kiến) trong mô hình NLP có thể phát sinh từ đâu?

Dữ liệu huấn luyện có chứa thiên kiến.

Thuật toán học máy luôn tạo ra kết quả thiên vị.

Kích thước của mô hình quá nhỏ.

Thiếu tính đa dạng trong đội ngũ phát triển mô hình.

Câu hỏi đề cập đến vấn đề thiên kiến trong mô hình NLP và nguồn gốc của nó, liên quan đến đạo đức và công bằng.

27 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 27: Phương pháp nào sau đây giúp giảm thiểu vấn đề 'overfitting' (quá khớp) trong mô hình NLP?

Tăng kích thước batch size.

Dropout.

Sử dụng learning rate lớn hơn.

Tăng số lượng lớp trong mạng nơ-ron.

Câu hỏi kiểm tra kiến thức về các kỹ thuật giảm overfitting, một vấn đề phổ biến trong học máy.

28 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 28: Trong ngữ cảnh của mô hình ngôn ngữ, 'perplexity' là gì?

Số lượng tham số trong mô hình ngôn ngữ.

Thời gian huấn luyện mô hình ngôn ngữ.

Độ chính xác của mô hình ngôn ngữ trên tập dữ liệu huấn luyện.

Một số liệu đánh giá khả năng dự đoán chuỗi từ của mô hình ngôn ngữ. Perplexity thấp hơn thường tốt hơn.

Câu hỏi định nghĩa perplexity, một số liệu đánh giá quan trọng cho mô hình ngôn ngữ.

29 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 29: Ứng dụng nào sau đây *không* phải là ứng dụng phổ biến của NLP?

Phân tích đánh giá sản phẩm trực tuyến.

Hệ thống trợ lý ảo (virtual assistant).

Nhận dạng khuôn mặt.

Công cụ dịch máy.

Câu hỏi kiểm tra sự hiểu biết về các ứng dụng thực tế của NLP.

30 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 04

Câu 30: 'Phân tích quan điểm' (opinion mining) là một nhánh của phân tích tình cảm, nó tập trung vào khía cạnh nào?

Phân loại văn bản theo chủ đề chung.

Xác định và phân tích các quan điểm, đánh giá, thái độ và cảm xúc về một chủ đề, sản phẩm hoặc dịch vụ cụ thể.

Dịch văn bản chứa quan điểm sang ngôn ngữ khác.

Tóm tắt các quan điểm chính trong một văn bản dài.

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi làm rõ phạm vi của opinion mining so với phân tích tình cảm nói chung.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Trắc nghiệm Xử lí ngôn ngữ tự nhiên - Đề 05

1 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 1: Trong xử lý ngôn ngữ tự nhiên (NLP), bước tiền xử lý nào sau đây giúp giảm số lượng chiều dữ liệu và tập trung vào các từ mang ý nghĩa chính bằng cách loại bỏ các từ phổ biến, ít giá trị ngữ nghĩa?

Lemmatization (chuẩn hóa về dạng gốc)

Tokenization (phân tách từ)

Loại bỏ Stop words (từ dừng)

Stemming (cắt gốc từ)

Câu hỏi tập trung vào kỹ năng nhận biết mục đích của việc loại bỏ stop words trong tiền xử lý NLP, liên quan đến giảm chiều dữ liệu và tăng cường ý nghĩa.

2 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 2: Mô hình Bag-of-Words (BoW) biểu diễn văn bản dựa trên yếu tố nào?

Thứ tự xuất hiện của các từ trong văn bản

Tần suất xuất hiện của mỗi từ trong văn bản

Mối quan hệ ngữ nghĩa giữa các từ

Cấu trúc cú pháp của câu

Câu hỏi kiểm tra kiến thức về mô hình BoW, tập trung vào cách nó biểu diễn văn bản, khác biệt với các mô hình khác như word embeddings.

3 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 3: Kỹ thuật Word Embeddings (ví dụ: Word2Vec, GloVe) có ưu điểm gì vượt trội so với Bag-of-Words (BoW) trong các bài toán NLP liên quan đến ngữ nghĩa?

Yêu cầu ít bộ nhớ tính toán hơn

Dễ dàng xử lý các văn bản dài hơn

Nắm bắt được mối quan hệ ngữ nghĩa giữa các từ

Phù hợp hơn với dữ liệu văn bản có cấu trúc

Câu hỏi so sánh Word Embeddings và BoW, nhấn mạnh vào khả năng nắm bắt ngữ nghĩa của Word Embeddings, một kỹ năng phân tích và so sánh.

4 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 4: Trong bài toán phân loại văn bản, khi nào nên ưu tiên sử dụng TF-IDF (Term Frequency-Inverse Document Frequency) thay vì chỉ sử dụng tần số từ (Term Frequency) đơn thuần?

Khi kích thước tập dữ liệu văn bản rất nhỏ

Khi các từ trong văn bản có độ dài rất ngắn

Khi muốn giảm ảnh hưởng của các từ hiếm gặp

Khi muốn giảm ảnh hưởng của các từ phổ biến trong nhiều văn bản khác nhau

Câu hỏi yêu cầu phân tích tình huống sử dụng TF-IDF, tập trung vào lý do tại sao TF-IDF hữu ích hơn tần số từ thông thường trong phân loại văn bản.

5 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 5: Nhiệm vụ Named Entity Recognition (NER) trong NLP nhằm mục đích gì?

Xác định và phân loại các thực thể có tên trong văn bản

Phân tích cảm xúc (tích cực, tiêu cực, trung tính) của văn bản

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác

Tóm tắt nội dung chính của văn bản

Câu hỏi kiểm tra kiến thức cơ bản về NER, một nhiệm vụ quan trọng trong NLP, yêu cầu xác định mục tiêu chính của nó.

6 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 6: Mô hình ngôn ngữ (Language Model) được sử dụng để làm gì trong NLP?

Phân tích cấu trúc cú pháp của câu

Dự đoán xác suất xuất hiện của một chuỗi từ hoặc từ tiếp theo trong câu

Phân loại văn bản theo chủ đề

Biểu diễn văn bản dưới dạng vectơ số

Câu hỏi tập trung vào mục đích sử dụng của mô hình ngôn ngữ, một khái niệm cốt lõi trong NLP, đặc biệt trong sinh văn bản và dự đoán từ.

7 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 7: Trong ngữ cảnh của mô hình Transformer, cơ chế Attention (cơ chế chú ý) đóng vai trò quan trọng như thế nào?

Tăng tốc độ tính toán của mô hình

Giảm thiểu hiện tượng overfitting (quá khớp)

Cho phép mô hình tập trung vào các phần quan trọng nhất của đầu vào khi xử lý

Chuẩn hóa dữ liệu đầu vào để mô hình dễ học hơn

Câu hỏi đi sâu vào cơ chế Attention trong Transformer, một kiến trúc mạng nơ-ron quan trọng, yêu cầu hiểu vai trò của nó trong việc xử lý thông tin.

8 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 8: Recurrent Neural Networks (RNNs) gặp khó khăn gì khi xử lý các chuỗi văn bản dài?

Khó khăn trong việc song song hóa tính toán

Vấn đề vanishing gradient (mất mát đạo hàm) khiến mô hình khó học được các phụ thuộc xa

Yêu cầu lượng dữ liệu huấn luyện rất lớn

Chỉ phù hợp với các bài toán phân loại, không phù hợp với sinh văn bản

Câu hỏi đề cập đến hạn chế của RNNs, cụ thể là vấn đề vanishing gradient khi xử lý chuỗi dài, một kiến thức quan trọng về kiến trúc mạng nơ-ron.

9 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 9: Để đánh giá hiệu suất của một mô hình phân loại văn bản, chỉ sử dụng độ chính xác (Accuracy) có đủ không? Tại sao?

Đủ, vì độ chính xác cho biết tỷ lệ dự đoán đúng trên tổng số mẫu

Đủ, vì độ chính xác là thước đo phổ biến nhất trong phân loại

Không đủ, đặc biệt khi dữ liệu không cân bằng, cần xem xét thêm Precision, Recall, F1-score

Không đủ, vì độ chính xác không phản ánh thời gian huấn luyện mô hình

Câu hỏi yêu cầu đánh giá tính đầy đủ của độ chính xác trong đánh giá mô hình phân loại, đặc biệt trong trường hợp dữ liệu không cân bằng, một kỹ năng đánh giá mô hình.

10 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 10: Trong bài toán dịch máy, BLEU score được sử dụng để đánh giá y??u tố nào?

Tính trôi chảy của bản dịch

Tính chính xác về ngữ pháp của bản dịch

Tính dễ đọc của bản dịch

Mức độ tương đồng giữa bản dịch của mô hình và bản dịch tham khảo

Câu hỏi kiểm tra kiến thức về BLEU score, một metric quan trọng trong đánh giá dịch máy, yêu cầu xác định yếu tố mà nó đo lường.

11 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 11: Khi xử lý văn bản tiếng Việt, việc loại bỏ dấu thanh (ví dụ: chuyển 'tiếng Việt' thành 'tieng Viet') có thể hữu ích trong trường hợp nào?

Luôn luôn hữu ích để tăng độ chính xác của mô hình

Hữu ích trong các bài toán tìm kiếm hoặc so sánh văn bản khi sự khác biệt về dấu thanh không quan trọng

Hữu ích để giảm thiểu kích thước từ vựng

Không bao giờ hữu ích vì làm mất thông tin ngữ nghĩa

Câu hỏi liên quan đến xử lý văn bản tiếng Việt, cụ thể là việc loại bỏ dấu thanh và tính hữu ích của nó trong một số trường hợp, yêu cầu áp dụng kiến thức vào ngữ cảnh cụ thể.

12 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 12: Phương pháp Stemming và Lemmatization khác nhau như thế nào trong việc chuẩn hóa từ?

Stemming cắt gốc từ đơn giản, có thể tạo ra từ không có nghĩa; Lemmatization đưa về dạng từ điển (lemma), đảm bảo từ có nghĩa

Stemming phức tạp hơn Lemmatization và cho kết quả chính xác hơn

Stemming chỉ áp dụng cho tiếng Anh, Lemmatization áp dụng cho mọi ngôn ngữ

Stemming và Lemmatization là hoàn toàn giống nhau, chỉ khác tên gọi

Câu hỏi so sánh Stemming và Lemmatization, hai kỹ thuật chuẩn hóa từ phổ biến, yêu cầu phân biệt sự khác biệt về cách thức và kết quả của chúng.

13 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 13: Trong kiến trúc Transformer, Feed-Forward Network (FFN) được sử dụng ở mỗi lớp Encoder và Decoder có vai trò gì?

Thực hiện cơ chế Attention

Mã hóa vị trí của từ trong câu

Kết nối các lớp Encoder và Decoder

Biến đổi biểu diễn của mỗi từ một cách độc lập, tăng tính phi tuyến cho mô hình

Câu hỏi tập trung vào vai trò của FFN trong kiến trúc Transformer, một thành phần quan trọng, yêu cầu hiểu chức năng của nó trong việc biến đổi biểu diễn.

14 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 14: Khi gặp phải từ 'out-of-vocabulary' (OOV) trong quá trình xử lý văn bản, mô hình NLP có thể xử lý như thế nào?

Bỏ qua từ OOV và tiếp tục xử lý các từ khác

Thay thế từ OOV bằng một từ ngẫu nhiên trong từ vựng

Sử dụng các kỹ thuật như Byte-Pair Encoding (BPE) hoặc WordPiece để chia từ OOV thành các subword quen thuộc

Dừng quá trình xử lý và báo lỗi

Câu hỏi về vấn đề OOV, một thách thức phổ biến trong NLP, yêu cầu biết các phương pháp xử lý từ không có trong từ vựng của mô hình.

15 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 15: Phân tích cú pháp phụ thuộc (Dependency Parsing) trong NLP giúp xác định điều gì?

Thành phần chính của câu (chủ ngữ, vị ngữ, tân ngữ)

Mối quan hệ phụ thuộc giữa các từ trong câu, thể hiện cấu trúc cú pháp

Ý nghĩa ngữ nghĩa của câu

Loại từ của mỗi từ trong câu (danh từ, động từ, tính từ)

Câu hỏi kiểm tra kiến thức về Dependency Parsing, một kỹ thuật phân tích cú pháp quan trọng, yêu cầu xác định mục tiêu của nó.

16 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 16: Mô hình Topic Modeling (ví dụ: LDA - Latent Dirichlet Allocation) được sử dụng để làm gì?

Phát hiện các chủ đề tiềm ẩn trong một tập hợp văn bản

Phân loại văn bản vào các chủ đề định trước

Tóm tắt nội dung chính của văn bản theo chủ đề

Dịch văn bản theo chủ đề

Câu hỏi về Topic Modeling, một kỹ thuật quan trọng trong NLP, yêu cầu xác định mục đích sử dụng của nó trong việc phân tích văn bản.

17 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 17: Fine-tuning (tinh chỉnh) một mô hình ngôn ngữ pre-trained (đã được huấn luyện trước) có nghĩa là gì?

Huấn luyện lại toàn bộ mô hình pre-trained từ đầu trên dữ liệu mới

Tiếp tục huấn luyện mô hình pre-trained trên một tập dữ liệu nhỏ hơn, cụ thể hơn cho một nhiệm vụ nhất định

Sử dụng mô hình pre-trained trực tiếp mà không cần huấn luyện thêm

Thay đổi kiến trúc của mô hình pre-trained

Câu hỏi về fine-tuning, một kỹ thuật quan trọng khi sử dụng mô hình pre-trained, yêu cầu hiểu rõ quy trình và mục đích của việc tinh chỉnh.

18 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 18: Zero-shot learning trong NLP là gì?

Mô hình học mà không cần bất kỳ dữ liệu huấn luyện nào

Mô hình chỉ được huấn luyện trên dữ liệu tổng hợp

Khả năng của mô hình thực hiện một nhiệm vụ mới mà không cần được huấn luyện trực tiếp cho nhiệm vụ đó

Mô hình chỉ học từ dữ liệu không có nhãn

Câu hỏi về zero-shot learning, một khái niệm nâng cao trong NLP, yêu cầu hiểu khả năng của mô hình trong việc thực hiện nhiệm vụ mà không cần dữ liệu huấn luyện cụ thể.

19 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 19: Giải thích ngắn gọn về kỹ thuật Backpropagation (lan truyền ngược) trong huấn luyện mạng nơ-ron.

Kỹ thuật để tăng tốc độ huấn luyện mạng nơ-ron

Kỹ thuật để tránh overfitting trong mạng nơ-ron

Kỹ thuật để khởi tạo weights (trọng số) của mạng nơ-ron

Thuật toán tính gradient của hàm mất mát (loss function) theo weights, sau đó cập nhật weights để giảm mất mát

Câu hỏi kiểm tra kiến thức về Backpropagation, thuật toán cốt lõi trong huấn luyện mạng nơ-ron, yêu cầu hiểu nguyên lý cơ bản của nó.

20 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 20: Tại sao cần sử dụng kỹ thuật Regularization (chính quy hóa) trong huấn luyện mô hình NLP?

Để tăng độ chính xác trên tập huấn luyện

Để giảm overfitting (quá khớp) và cải thiện khả năng tổng quát hóa của mô hình trên dữ liệu mới

Để tăng tốc độ huấn luyện mô hình

Để làm cho mô hình dễ diễn giải hơn

Câu hỏi về Regularization, một kỹ thuật quan trọng để cải thiện khả năng tổng quát hóa của mô hình, yêu cầu hiểu mục đích và lợi ích của nó.

21 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 21: Ưu điểm chính của việc sử dụng GPU (Graphics Processing Unit) so với CPU (Central Processing Unit) trong huấn luyện các mô hình deep learning cho NLP là gì?

GPU tiêu thụ ít điện năng hơn CPU

GPU có giá thành rẻ hơn CPU

GPU có khả năng tính toán song song tốt hơn, giúp tăng tốc độ huấn luyện các mô hình lớn

GPU dễ dàng lập trình hơn CPU

Câu hỏi về lợi ích của GPU trong deep learning, đặc biệt trong NLP, yêu cầu hiểu về khả năng tính toán song song của GPU.

22 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 22: Trong lĩnh vực chatbot, Intent Recognition (nhận dạng ý định) là gì?

Xác định mục đích hoặc mong muốn của người dùng dựa trên câu nói của họ

Tạo ra câu trả lời tự nhiên và phù hợp cho người dùng

Lưu trữ lịch sử trò chuyện với người dùng

Phân tích cảm xúc của người dùng trong cuộc trò chuyện

Câu hỏi về Intent Recognition, một thành phần quan trọng trong chatbot, yêu cầu hiểu mục tiêu của nó trong việc xử lý yêu cầu của người dùng.

23 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 23: Kỹ thuật Data Augmentation (tăng cường dữ liệu) có thể được áp dụng như thế nào trong NLP?

Chỉ áp dụng cho dữ liệu hình ảnh, không áp dụng cho dữ liệu văn bản

Giảm kích thước dữ liệu huấn luyện để tăng tốc độ huấn luyện

Thay đổi nhãn của dữ liệu huấn luyện

Sử dụng các phép biến đổi như thay thế từ đồng nghĩa, xáo trộn thứ tự từ, hoặc dịch ngược để tạo ra các mẫu dữ liệu mới

Câu hỏi về Data Augmentation trong NLP, một kỹ thuật để tăng kích thước và đa dạng của dữ liệu huấn luyện, yêu cầu biết các phương pháp cụ thể.

24 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 24: Mô hình BERT (Bidirectional Encoder Representations from Transformers) có gì khác biệt so với các mô hình ngôn ngữ trước đó như Word2Vec hoặc GloVe?

BERT chỉ có thể xử lý văn bản tiếng Anh

BERT không sử dụng cơ chế Attention

BERT là mô hình ngôn ngữ hai chiều (bidirectional), xem xét cả ngữ cảnh bên trái và bên phải của từ, trong khi Word2Vec/GloVe thường là một chiều

BERT yêu cầu ít dữ liệu huấn luyện hơn Word2Vec/GloVe

Câu hỏi so sánh BERT với Word2Vec/GloVe, nhấn mạnh vào tính hai chiều và khả năng nắm bắt ngữ cảnh tốt hơn của BERT, một kiến thức quan trọng về mô hình ngôn ngữ hiện đại.

25 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 25: Giải thích khái niệm 'attention is all you need' trong bối cảnh mô hình Transformer.

Transformer chỉ cần cơ chế Attention, không cần Feed-Forward Network

Cơ chế Attention là thành phần cốt lõi và quan trọng nhất của Transformer, thay thế cho RNNs và CNNs trong nhiều nhiệm vụ NLP

Transformer chỉ hiệu quả khi sử dụng cơ chế Self-Attention

Transformer không cần dữ liệu huấn luyện, cơ chế Attention tự học

Câu hỏi về câu nói nổi tiếng 'attention is all you need' liên quan đến Transformer, yêu cầu hiểu ý nghĩa của nó trong việc thiết kế kiến trúc mô hình.

26 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 26: Nhiệm vụ Sentiment Analysis (phân tích cảm xúc) có thể được ứng dụng trong lĩnh vực nào sau đây?

Phân loại email spam

Dịch văn bản

Nhận dạng giọng nói

Tất cả các lĩnh vực trên (phân tích đánh giá sản phẩm, theo dõi dư luận mạng xã hội,...) đều có thể ứng dụng Sentiment Analysis

Câu hỏi về ứng dụng của Sentiment Analysis, một nhiệm vụ phổ biến trong NLP, yêu cầu nhận biết các lĩnh vực mà nó có thể mang lại giá trị.

27 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 27: Tại sao việc xử lý ngôn ngữ tự nhiên cho tiếng Việt lại có những thách thức riêng so với tiếng Anh?

Tiếng Việt là ngôn ngữ đơn lập, có tính đa nghĩa cao, và biến thể vùng miền lớn, gây khó khăn cho việc phân tích từ và ngữ nghĩa

Tiếng Việt có ít tài nguyên ngôn ngữ hơn tiếng Anh

Các mô hình NLP hiện tại được phát triển chủ yếu cho tiếng Anh

Tất cả các lý do trên

Câu hỏi về thách thức NLP tiếng Việt, yêu cầu nhận biết các đặc điểm ngôn ngữ tiếng Việt gây khó khăn cho các mô hình NLP.

28 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 28: Trong ngữ cảnh của Question Answering (QA), 'context' (ngữ cảnh) đề cập đến điều gì?

Câu hỏi mà người dùng đặt ra

Đoạn văn bản chứa thông tin liên quan đến câu hỏi, được sử dụng để tìm ra câu trả lời

Lịch sử trò chuyện trước đó của người dùng

Loại câu hỏi (ví dụ: câu hỏi về sự kiện, câu hỏi về lý do)

Câu hỏi về 'context' trong Question Answering, một nhiệm vụ quan trọng trong NLP, yêu cầu hiểu rõ vai trò của ngữ cảnh trong việc trả lời câu hỏi.

29 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 29: Kỹ thuật Transfer Learning (học chuyển giao) mang lại lợi ích gì trong NLP?

Giảm độ phức tạp của mô hình

Tăng tính diễn giải của mô hình

Cho phép huấn luyện mô hình hiệu quả hơn với ít dữ liệu hơn và thời gian huấn luyện ngắn hơn, đặc biệt khi bắt đầu với mô hình pre-trained

Đảm bảo tính công bằng của mô hình

Câu hỏi về Transfer Learning, một kỹ thuật quan trọng để tận dụng kiến thức từ các mô hình pre-trained, yêu cầu hiểu các lợi ích chính của nó.

30 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 05

Câu 30: Mô hình Generative Adversarial Networks (GANs) có thể được ứng dụng trong NLP cho nhiệm vụ nào?

Phân loại văn bản

Sinh văn bản (Text Generation), ví dụ như tạo sinh thơ văn, chatbot

Phân tích cảm xúc

Nhận dạng thực thể có tên

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi về ứng dụng của GANs trong NLP, một kiến trúc mạng nơ-ron sinh đối kháng, yêu cầu biết các nhiệm vụ sinh văn bản mà GANs có thể được sử dụng.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Trắc nghiệm Xử lí ngôn ngữ tự nhiên - Đề 06

1 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 1: Trong lĩnh vực Xử lý Ngôn ngữ Tự nhiên (NLP), nhiệm vụ nào sau đây tập trung vào việc xác định ý kiến, thái độ hoặc cảm xúc được thể hiện trong một đoạn văn bản?

Nhận dạng thực thể có tên (Named Entity Recognition)

Phân tích tình cảm (Sentiment Analysis)

Phân loại văn bản (Text Classification)

Sinh văn bản (Text Generation)

Câu hỏi này kiểm tra kiến thức về các nhiệm vụ cốt lõi của NLP, đặc biệt là phân tích tình cảm (sentiment analysis). Các phương án nhiễu là các nhiệm vụ NLP khác nhưng không trực tiếp liên quan đến việc xác định cảm xúc.

2 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 2: Mô hình Bag-of-Words (BoW) biểu diễn văn bản bằng cách nào?

Biểu diễn văn bản dưới dạng đồ thị quan hệ giữa các từ.

Mã hóa văn bản thành một chuỗi các vectơ ngữ nghĩa.

Đếm tần suất xuất hiện của mỗi từ trong văn bản và tạo vectơ tần số.

Phân tích cấu trúc cú pháp và ngữ pháp của câu trong văn bản.

Câu hỏi này kiểm tra sự hiểu biết về mô hình BoW, một kỹ thuật cơ bản trong NLP. BoW tập trung vào tần suất xuất hiện của từ mà không quan tâm đến thứ tự hay ngữ pháp.

3 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 3: Phương pháp 'word embedding' (nhúng từ) như Word2Vec và GloVe có ưu điểm gì so với mô hình Bag-of-Words (BoW)?

Nắm bắt được ngữ nghĩa và mối quan hệ ngữ cảnh giữa các từ.

Giảm chiều dữ liệu và tăng tốc độ xử lý văn bản.

Đơn giản hóa quá trình tiền xử lý văn bản.

Loại bỏ hoàn toàn sự phụ thuộc vào từ điển và ngữ pháp.

Câu hỏi này so sánh word embedding với BoW, tập trung vào ưu điểm của word embedding trong việc nắm bắt ngữ nghĩa của từ và mối quan hệ giữa các từ.

4 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 4: Trong tiền xử lý văn bản cho NLP, 'stemming' (cắt gốc từ) và 'lemmatization' (nguyên dạng hóa) khác nhau như thế nào?

Stemming tạo ra từ gốc có nghĩa, lemmatization thì không.

Lemmatization nhanh hơn stemming và ít gây mất thông tin hơn.

Stemming chỉ áp dụng cho tiếng Anh, lemmatization áp dụng được cho nhiều ngôn ngữ.

Stemming cắt bỏ các hậu tố đơn giản, lemmatization đưa từ về dạng từ điển (lemma) có nghĩa.

Câu hỏi này kiểm tra sự hiểu biết về hai kỹ thuật tiền xử lý quan trọng: stemming và lemmatization, đặc biệt là sự khác biệt về cách chúng xử lý từ và kết quả đầu ra.

5 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 5: Nhiệm vụ 'Part-of-Speech tagging' (gán nhãn từ loại) trong NLP nhằm mục đích gì?

Phân loại văn bản thành các chủ đề khác nhau.

Xác định từ loại (danh từ, động từ, tính từ...) của mỗi từ trong câu.

Nhận diện các thực thể có tên như người, tổ chức, địa điểm.

Chuyển đổi văn bản thành dạng biểu diễn số để máy tính xử lý.

Câu hỏi này tập trung vào mục đích của POS tagging, một bước quan trọng trong phân tích cú pháp và ngữ nghĩa của văn bản. POS tagging giúp xác định vai trò ngữ pháp của mỗi từ trong câu.

6 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 6: Tại sao 'stop words' (từ dừng) thường được loại bỏ trong quá trình tiền xử lý văn bản?

Để tăng cường tính đa dạng từ vựng trong văn bản.

Để chuẩn hóa văn bản theo một cấu trúc ngữ pháp nhất định.

Vì chúng thường xuất hiện với tần suất cao nhưng ít mang thông tin ngữ nghĩa.

Để giảm thiểu lỗi chính tả và ngữ pháp trong văn bản.

Câu hỏi này kiểm tra hiểu biết về vai trò của stop words và lý do loại bỏ chúng. Stop words thường xuất hiện nhiều nhưng ít mang thông tin ngữ nghĩa quan trọng cho nhiều tác vụ NLP.

7 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 7: Mô hình ngôn ngữ (Language Model) được sử dụng để làm gì?

Dự đoán xác suất xuất hiện của một chuỗi từ hoặc câu trong ngôn ngữ.

Phân tích cấu trúc cú pháp và ngữ nghĩa của câu.

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.

Tóm tắt nội dung chính của một văn bản dài.

Câu hỏi này tập trung vào mục đích chính của mô hình ngôn ngữ, đó là dự đoán xác suất xuất hiện của một chuỗi từ, phục vụ nhiều ứng dụng NLP.

8 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 8: Kiến trúc mạng nơ-ron Transformer, được sử dụng rộng rãi trong các mô hình ngôn ngữ hiện đại như BERT và GPT, nổi bật với cơ chế nào?

Mạng nơ-ron hồi quy (Recurrent Neural Network - RNN).

Mạng nơ-ron tích chập (Convolutional Neural Network - CNN).

Cơ chế bộ nhớ dài hạn (Long Short-Term Memory - LSTM).

Cơ chế tự chú ý (Self-Attention).

Câu hỏi này kiểm tra kiến thức về kiến trúc Transformer, đặc biệt là cơ chế attention (tự chú ý) làm nên sự khác biệt và hiệu quả của Transformer trong NLP.

9 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 9: Nhiệm vụ 'Named Entity Recognition' (NER) có ứng dụng quan trọng trong lĩnh vực nào sau đây?

Phân tích cảm xúc khách hàng về sản phẩm.

Trích xuất thông tin chính từ văn bản, ví dụ như tin tức hoặc hồ sơ bệnh án.

Dịch tự động văn bản giữa các ngôn ngữ khác nhau.

Tạo sinh văn bản tự động theo phong cách nhất định.

Câu hỏi này tập trung vào ứng dụng thực tế của NER, một nhiệm vụ quan trọng trong việc trích xuất thông tin và xử lý văn bản trong nhiều lĩnh vực khác nhau.

10 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 10: Trong ngữ cảnh của dịch máy (Machine Translation), 'attention mechanism' (cơ chế chú ý) giúp giải quyết vấn đề gì?

Tăng tốc độ dịch văn bản.

Giảm thiểu lỗi chính tả trong văn bản dịch.

Tập trung vào các phần quan trọng của câu nguồn khi dịch sang ngôn ngữ đích, đặc biệt với câu dài.

Chuẩn hóa định dạng văn bản đầu vào trước khi dịch.

Câu hỏi này kiểm tra sự hiểu biết về vai trò của attention trong dịch máy, cụ thể là cách nó giúp mô hình tập trung vào các phần liên quan của câu nguồn khi dịch.

11 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 11: 'Dependency parsing' (phân tích cú pháp phụ thuộc) biểu diễn cấu trúc câu như thế nào?

Mối quan hệ phụ thuộc giữa các từ, trong đó mỗi từ phụ thuộc vào một từ gốc (head).

Cấu trúc cây phân cấp các cụm từ (phrases) trong câu.

Chuỗi tuyến tính các từ và từ loại của chúng.

Mạng lưới ngữ nghĩa biểu diễn ý nghĩa của câu.

Câu hỏi này tập trung vào cách dependency parsing biểu diễn cấu trúc cú pháp, nhấn mạnh vào mối quan hệ phụ thuộc giữa các từ trong câu.

12 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 12: 'Byte Pair Encoding' (BPE) là kỹ thuật được sử dụng để giải quyết vấn đề gì trong mô hình hóa ngôn ngữ?

Tăng tốc độ huấn luyện mô hình ngôn ngữ.

Xử lý các từ hiếm gặp và từ ngoài từ vựng (OOV) bằng cách chia chúng thành các đơn vị con (subwords).

Giảm kích thước từ vựng của mô hình ngôn ngữ.

Nâng cao khả năng hiểu ngữ nghĩa của mô hình ngôn ngữ.

Câu hỏi này kiểm tra kiến thức về BPE và mục đích sử dụng của nó, chủ yếu là để xử lý các từ hiếm gặp và từ ngoài từ vựng (out-of-vocabulary - OOV).

13 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 13: Kỹ thuật 'back-translation' (dịch ngược) được sử dụng để cải thiện hiệu suất của mô hình dịch máy như thế nào?

Tăng cường khả năng suy luận ngữ nghĩa của mô hình dịch máy.

Giảm độ phức tạp tính toán của mô hình dịch máy.

Cải thiện khả năng xử lý các ngôn ngữ có nguồn tài nguyên thấp.

Tạo thêm dữ liệu huấn luyện song ngữ tổng hợp từ dữ liệu đơn ngữ.

Câu hỏi này tập trung vào kỹ thuật back-translation và cách nó tận dụng dữ liệu đơn ngữ để tăng cường dữ liệu song ngữ, từ đó cải thiện dịch máy.

14 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 14: Mô hình ngôn ngữ BERT (Bidirectional Encoder Representations from Transformers) có đặc điểm nổi bật nào?

Chỉ sử dụng thông tin ngữ cảnh từ trái sang phải.

Được huấn luyện trên dữ liệu song ngữ song song.

Học biểu diễn ngữ cảnh hai chiều (từ trái sang phải và phải sang trái) của từ.

Chủ yếu được sử dụng cho nhiệm vụ sinh văn bản.

Câu hỏi này kiểm tra kiến thức về BERT, một mô hình ngôn ngữ quan trọng, đặc biệt là khả năng học biểu diễn hai chiều (bidirectional) của ngữ cảnh.

15 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 15: 'Chunking' (phân đoạn cú pháp nông) trong NLP là gì?

Phân tích toàn bộ cấu trúc cú pháp và ngữ nghĩa của câu.

Nhận diện và phân loại các cụm từ (phrases) cơ bản như cụm danh từ, cụm động từ.

Gán nhãn từ loại (POS tags) cho từng từ trong câu.

Phân tích quan hệ phụ thuộc giữa các từ trong câu.

Câu hỏi này định nghĩa chunking và phân biệt nó với các mức độ phân tích cú pháp sâu hơn, chunking tập trung vào nhận diện các cụm từ (phrases) cơ bản.

16 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 16: 'Latent Semantic Analysis' (LSA) là kỹ thuật phân tích ngữ nghĩa dựa trên phương pháp thống kê nào?

Phân tích hồi quy tuyến tính (Linear Regression Analysis).

Phân tích thành phần chính (Principal Component Analysis - PCA).

Phân tích cụm (Cluster Analysis).

Phân tích giá trị suy dị (Singular Value Decomposition - SVD).

Câu hỏi này kiểm tra kiến thức về LSA và phương pháp toán học cốt lõi của nó, đó là phân tích giá trị suy dị (Singular Value Decomposition - SVD).

17 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 17: Trong việc lựa chọn kiến trúc mạng nơ-ron cho nhiệm vụ NLP xử lý chuỗi dài, RNN (Recurrent Neural Network) có nhược điểm chính nào so với Transformer?

Khó khăn trong việc học các phụ thuộc xa (long-range dependencies) do vấn đề vanishing gradient và xử lý tuần tự.

Yêu cầu lượng dữ liệu huấn luyện lớn hơn Transformer.

Khả năng song song hóa kém hơn Transformer.

Khó diễn giải kết quả hơn Transformer.

Câu hỏi này so sánh RNN và Transformer cho chuỗi dài, nhấn mạnh nhược điểm của RNN trong việc xử lý thông tin từ xa do vấn đề vanishing gradient và sequential processing.

18 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 18: Vì sao khả năng 'explainability' (giải thích được) trở nên quan trọng trong các hệ thống NLP, đặc biệt là trong các ứng dụng nhạy cảm?

Để tăng độ chính xác của mô hình NLP.

Để giảm chi phí tính toán của mô hình NLP.

Để đảm bảo tính minh bạch, công bằng, và trách nhiệm của hệ thống, đặc biệt trong các ứng dụng như y tế, pháp lý.

Để dễ dàng tích hợp mô hình NLP vào các hệ thống khác.

Câu hỏi này nhấn mạnh tầm quan trọng của explainability trong NLP, đặc biệt khi ứng dụng trong các lĩnh vực nhạy cảm, liên quan đến đạo đức, công bằng và trách nhiệm.

19 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 19: Trong đánh giá mô hình phân loại văn bản, khi nào nên ưu tiên sử dụng F1-score thay vì chỉ dựa vào Accuracy (độ chính xác)?

Khi tập dữ liệu đánh giá rất lớn.

Khi dữ liệu phân loại bị mất cân bằng (số lượng mẫu của các lớp khác nhau rất nhiều).

Khi cần đánh giá tốc độ dự đoán của mô hình.

Khi muốn so sánh mô hình với các nghiên cứu trước đó sử dụng Accuracy.

Câu hỏi này kiểm tra kiến thức về các metrics đánh giá và khi nào F1-score phù hợp hơn Accuracy, đặc biệt trong trường hợp dữ liệu mất cân bằng (imbalanced dataset).

20 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 20: 'Bias' (thiên kiến) trong dữ liệu huấn luyện có thể ảnh hưởng đến hệ thống NLP như thế nào?

Chỉ làm giảm độ chính xác trên tập dữ liệu huấn luyện.

Chỉ ảnh hưởng đến khả năng tổng quát hóa của mô hình.

Chỉ làm tăng thời gian huấn luyện mô hình.

Dẫn đến kết quả không công bằng, phân biệt đối xử hoặc không chính xác đối với một số nhóm người hoặc chủ đề nhất định.

Câu hỏi này tập trung vào vấn đề bias trong dữ liệu và hậu quả của nó đối với hệ thống NLP, đặc biệt là việc tạo ra các kết quả không công bằng hoặc phân biệt đối xử.

21 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 21: Phân biệt giữa hệ thống đối thoại 'rule-based' (dựa trên luật) và 'retrieval-based' (dựa trên truy xuất) trong NLP?

Hệ thống rule-based linh hoạt hơn retrieval-based trong việc xử lý các tình huống đối thoại phức tạp.

Hệ thống retrieval-based có khả năng sinh câu trả lời tự do hơn rule-based.

Hệ thống rule-based sử dụng luật thủ công để tạo câu trả lời, còn retrieval-based chọn câu trả lời từ một tập hợp có sẵn.

Hệ thống rule-based có khả năng học từ dữ liệu, còn retrieval-based thì không.

Câu hỏi này yêu cầu phân biệt hai loại hệ thống đối thoại phổ biến, tập trung vào cơ chế hoạt động và nguồn gốc câu trả lời của chúng.

22 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 22: Thách thức lớn nhất trong 'cross-lingual NLP' (NLP đa ngôn ngữ) là gì?

Tốc độ xử lý chậm hơn so với NLP đơn ngữ.

Sự khác biệt về cấu trúc ngôn ngữ và hạn chế về tài nguyên (dữ liệu, công cụ) cho nhiều ngôn ngữ.

Đòi hỏi mô hình phức tạp hơn và nhiều tham số hơn.

Khó khăn trong việc đánh giá hiệu suất của mô hình.

Câu hỏi này tập trung vào thách thức cốt lõi của NLP đa ngôn ngữ, đó là sự khác biệt về ngôn ngữ và sự khan hiếm tài nguyên cho nhiều ngôn ngữ.

23 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 23: 'Adversarial attacks' (tấn công đối nghịch) trong NLP là gì và chúng khai thác điểm yếu nào của mô hình?

Các thay đổi nhỏ, cố ý trong dữ liệu đầu vào nhằm đánh lừa mô hình NLP đưa ra dự đoán sai.

Các kỹ thuật tấn công từ chối dịch vụ nhằm làm quá tải hệ thống NLP.

Các phương pháp đánh giá mô hình NLP dựa trên dữ liệu đối nghịch.

Các kỹ thuật tăng cường dữ liệu huấn luyện bằng cách tạo ra dữ liệu đối nghịch.

Câu hỏi này định nghĩa adversarial attacks và mục tiêu của chúng trong NLP, đó là khai thác sự nhạy cảm của mô hình với các nhiễu loạn nhỏ trong đầu vào.

24 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 24: Nhiệm vụ 'information extraction' (trích xuất thông tin) bao gồm những công việc nhỏ nào?

Phân loại văn bản và phân tích tình cảm.

Dịch máy và tóm tắt văn bản.

Sinh văn bản và trả lời câu hỏi.

Nhận dạng thực thể (NER), trích xuất quan hệ (relation extraction), và trích xuất sự kiện (event extraction).

Câu hỏi này liệt kê các công việc con thuộc nhiệm vụ information extraction, bao gồm NER, relation extraction và event extraction, thể hiện phạm vi của IE.

25 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 25: Trong các hệ thống 'question answering' (trả lời câu hỏi), phân biệt giữa hệ thống 'factoid QA' và 'open-domain QA'?

Factoid QA nhanh hơn open-domain QA trong việc tìm kiếm câu trả lời.

Factoid QA trả lời câu hỏi dựa trên dữ liệu có cấu trúc (ví dụ: knowledge base), open-domain QA dựa trên văn bản tự do (ví dụ: Wikipedia).

Open-domain QA chính xác hơn factoid QA trong việc trả lời câu hỏi phức tạp.

Factoid QA có thể trả lời câu hỏi về nhiều chủ đề hơn open-domain QA.

Câu hỏi này phân biệt hai loại hệ thống QA dựa trên phạm vi kiến thức và loại câu hỏi mà chúng có thể xử lý.

26 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 26: 'Few-shot learning' (học với ít mẫu) có ý nghĩa như thế nào trong NLP?

Giảm thời gian huấn luyện mô hình NLP.

Tăng độ chính xác của mô hình NLP trên tập dữ liệu lớn.

Cho phép xây dựng mô hình NLP hiệu quả ngay cả khi chỉ có ít dữ liệu huấn luyện, mở rộng khả năng ứng dụng NLP cho các ngôn ngữ và lĩnh vực ít tài nguyên.

Đơn giản hóa kiến trúc mô hình NLP.

Câu hỏi này nhấn mạnh tầm quan trọng của few-shot learning trong NLP, đặc biệt là khả năng xây dựng mô hình hiệu quả với dữ liệu hạn chế, mở rộng ứng dụng NLP.

27 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 27: Kỹ thuật 'zero-shot learning' (học không mẫu) khác biệt như thế nào so với 'few-shot learning' trong NLP?

Zero-shot learning có thể thực hiện nhiệm vụ mới mà không cần bất kỳ ví dụ huấn luyện nào cho nhiệm vụ đó, trong khi few-shot learning cần một vài ví dụ.

Few-shot learning hiệu quả hơn zero-shot learning trong hầu hết các nhiệm vụ NLP.

Zero-shot learning chỉ áp dụng được cho các mô hình ngôn ngữ lớn, còn few-shot learning thì không.

Cả hai kỹ thuật này đều giống nhau và có thể thay thế cho nhau.

Câu hỏi này so sánh zero-shot và few-shot learning, nhấn mạnh sự khác biệt ở chỗ zero-shot không cần bất kỳ ví dụ huấn luyện nào cho nhiệm vụ mới.

28 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 28: Trong bối cảnh phát triển mô hình ngôn ngữ lớn (LLMs), 'parameter-efficient fine-tuning' (tinh chỉnh hiệu quả tham số) trở nên quan trọng vì lý do gì?

Để tăng tốc độ suy luận của mô hình ngôn ngữ lớn.

Để giảm chi phí tính toán và lưu trữ khi tinh chỉnh các mô hình ngôn ngữ rất lớn với hàng tỷ tham số.

Để cải thiện khả năng diễn giải của mô hình ngôn ngữ lớn.

Để đơn giản hóa quá trình huấn luyện mô hình ngôn ngữ lớn từ đầu.

Câu hỏi này tập trung vào lý do parameter-efficient fine-tuning quan trọng với LLMs, đó là giảm chi phí tính toán và lưu trữ khi tinh chỉnh mô hình lớn.

29 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 29: 'Prompt engineering' (kỹ thuật thiết kế prompt) là gì và tại sao nó quan trọng khi sử dụng các mô hình ngôn ngữ lớn như GPT-3?

Kỹ thuật nén kích thước mô hình ngôn ngữ lớn để chạy trên thiết bị di động.

Kỹ thuật tối ưu hóa tốc độ suy luận của mô hình ngôn ngữ lớn.

Kỹ thuật thiết kế và tinh chỉnh câu lệnh đầu vào (prompt) để hướng dẫn mô hình ngôn ngữ lớn tạo ra kết quả mong muốn.

Kỹ thuật bảo mật mô hình ngôn ngữ lớn khỏi các tấn công đối nghịch.

Câu hỏi này định nghĩa prompt engineering và nhấn mạnh vai trò của nó trong việc hướng dẫn LLMs thực hiện nhiệm vụ mong muốn, do LLMs nhạy cảm với prompt.

30 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 06

Câu 30: 'Hallucination' (ảo giác) là một vấn đề trong các mô hình ngôn ngữ sinh văn bản. 'Hallucination' trong ngữ cảnh này có nghĩa là gì?

Mô hình tạo ra văn bản quá dài và khó hiểu.

Mô hình lặp lại một số cụm từ hoặc câu trong văn bản sinh ra.

Mô hình không thể sinh ra văn bản khi đầu vào không rõ ràng.

Mô hình sinh ra thông tin sai lệch, không có thật hoặc không dựa trên ngữ cảnh hoặc dữ liệu huấn luyện.

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi này định nghĩa 'hallucination' trong ngữ cảnh LLMs, đó là việc mô hình sinh ra thông tin sai lệch hoặc vô nghĩa, không dựa trên dữ liệu huấn luyện hoặc prompt.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Trắc nghiệm Xử lí ngôn ngữ tự nhiên - Đề 07

1 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 1: Trong xử lý ngôn ngữ tự nhiên (NLP), 'tokenization' đề cập đến quá trình nào?

Loại bỏ các từ dừng (stop words) khỏi văn bản.

Chia văn bản thành các đơn vị nhỏ hơn, thường là từ hoặc cụm từ.

Chuyển đổi tất cả các từ trong văn bản về dạng chữ thường.

Tìm dạng cơ sở của từ (lemma) trong văn bản.

Câu hỏi kiểm tra kiến thức cơ bản về tokenization, một bước quan trọng trong tiền xử lý văn bản trong NLP. Đáp án đúng là chia văn bản thành các đơn vị nhỏ hơn như từ hoặc cụm từ.

2 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 2: Phương pháp biểu diễn văn bản nào sau đây xem xét đến tần suất xuất hiện của từ trong một văn bản so với toàn bộ tập văn bản?

Bag of Words (BoW)

Word2Vec

GloVe

TF-IDF (Tần suất từ - Tần suất nghịch đảo văn bản)

Câu hỏi này tập trung vào kỹ thuật TF-IDF, một phương pháp quan trọng để đánh giá tầm quan trọng của từ trong ngữ cảnh của một tập văn bản. TF-IDF kết hợp tần suất từ (TF) và tần suất nghịch đảo văn bản (IDF).

3 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 3: Kỹ thuật 'word embedding' (nhúng từ) trong NLP nhằm mục đích gì?

Phân loại văn bản dựa trên chủ đề.

Phân tích cấu trúc cú pháp của câu.

Biểu diễn từ thành các vector số sao cho các từ có nghĩa tương tự nằm gần nhau trong không gian vector.

Loại bỏ các từ không quan trọng để giảm chiều dữ liệu.

Câu hỏi kiểm tra hiểu biết về word embedding, một kỹ thuật hiện đại để biểu diễn từ dưới dạng vector số, nắm bắt được ngữ nghĩa và quan hệ giữa các từ.

4 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 4: Mô hình ngôn ngữ n-gram hoạt động dựa trên giả định nào?

Xác suất xuất hiện của một từ phụ thuộc vào n-1 từ đứng trước nó.

Tất cả các từ trong văn bản đều độc lập với nhau.

Ngữ pháp của ngôn ngữ là tuyến tính và không có cấu trúc phân cấp.

Ý nghĩa của một từ chỉ phụ thuộc vào chính nó, không phụ thuộc vào ngữ cảnh.

Câu hỏi này tập trung vào mô hình n-gram, một khái niệm cơ bản trong mô hình hóa ngôn ngữ. Mô hình n-gram dựa trên giả định Markov, rằng xác suất của một từ phụ thuộc vào một số hữu hạn các từ đứng trước nó.

5 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 5: Nhiệm vụ 'Named Entity Recognition' (NER - Nhận dạng thực thể có tên) trong NLP nhằm mục đích gì?

Phân tích cảm xúc của văn bản (tích cực, tiêu cực, trung lập).

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 nội dung chính của một văn bản dài.

Câu hỏi kiểm tra kiến thức về NER, một nhiệm vụ quan trọng trong trích xuất thông tin. NER là quá trình xác định và phân loại các thực thể có tên trong văn bản, như tên người, tổ chức, địa điểm...

6 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 6: Trong phân tích cú pháp, 'dependency parsing' (phân tích phụ thuộc) tập trung vào việc xác định điều gì?

Cấu trúc ngữ pháp tổng quát của một ngôn ngữ.

Các thành phần cụm từ (phrase) trong câu.

Mối quan hệ phụ thuộc giữa các từ trong câu, ví dụ từ nào là từ gốc (head) và từ nào là từ phụ thuộc (dependent).

Các quy tắc biến đổi câu từ dạng chủ động sang bị động.

Câu hỏi này về dependency parsing, một phương pháp phân tích cú pháp hiện đại. Dependency parsing xác định mối quan hệ phụ thuộc giữa các từ trong câu, thể hiện cấu trúc cú pháp theo dạng đồ thị phụ thuộc.

7 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 7: 'Sentiment analysis' (phân tích cảm xúc) được ứng dụng để làm gì?

Xác định thái độ, cảm xúc hoặc ý kiến được thể hiện trong văn bản.

Phát hiện ngôn ngữ gốc của văn bản.

Sửa lỗi chính tả và ngữ pháp trong văn bản.

Tạo ra văn bản mới dựa trên phong cách của văn bản gốc.

Câu hỏi kiểm tra ứng dụng của sentiment analysis, một nhiệm vụ phổ biến trong NLP. Sentiment analysis được sử dụng để xác định thái độ, cảm xúc, hoặc ý kiến được thể hiện trong văn bản.

8 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 8: Kỹ thuật 'stemming' (gốc từ) trong NLP có thể dẫn đến điều gì?

Tăng cường độ chính xác của phân tích ngữ nghĩa.

Luôn tạo ra các từ gốc (lemma) có nghĩa.

Đảm bảo rằng tất cả các từ đều được đưa về dạng nguyên thể.

Có thể tạo ra các gốc từ không có nghĩa hoặc không phải là từ đúng (over-stemming).

Câu hỏi về stemming, một kỹ thuật tiền xử lý văn bản. Stemming có thể làm giảm số lượng từ khác nhau nhưng có thể tạo ra các gốc từ không có nghĩa hoặc không phải là từ đúng.

9 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 9: Mô hình Transformer, nền tảng cho nhiều mô hình ngôn ngữ lớn hiện nay, dựa trên cơ chế chính nào?

Mạng nơ-ron hồi quy (Recurrent Neural Network - RNN).

Cơ chế attention (chú ý).

Mạng nơ-ron tích chập (Convolutional Neural Network - CNN).

Mô hình Markov ẩn (Hidden Markov Model - HMM).

Câu hỏi về kiến trúc Transformer, một đột phá trong NLP. Transformer dựa trên cơ chế attention (chú ý), cho phép mô hình tập trung vào các phần quan trọng của đầu vào khi xử lý thông tin.

10 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 10: 'Part-of-speech tagging' (gắn thẻ từ loại) là quá trình gán nhãn gì cho mỗi từ trong câu?

Nhãn ngữ nghĩa (ví dụ: người, địa điểm, tổ chức).

Nhãn cảm xúc (ví dụ: tích cực, tiêu cực, trung lập).

Nhãn từ loại (ví dụ: danh từ, động từ, tính từ).

Nhãn cú pháp (ví dụ: chủ ngữ, vị ngữ, tân ngữ).

Câu hỏi kiểm tra kiến thức về POS tagging, một nhiệm vụ cơ bản trong NLP. POS tagging là quá trình gán nhãn từ loại (danh từ, động từ, tính từ...) cho mỗi từ trong câu.

11 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 11: Trong ngữ cảnh của chatbot, 'intent recognition' (nhận dạng ý định) là gì?

Tạo ra phản hồi tự nhiên và trôi chảy.

Hiểu rõ nghĩa đen của từng từ trong câu hỏi.

Xác định ngôn ngữ mà người dùng đang sử dụng.

Xác định mục đích hoặc ý định của người dùng đằng sau câu nói của họ.

Câu hỏi về intent recognition, một thành phần quan trọng của chatbot. Intent recognition là quá trình xác định mục đích hoặc ý định của người dùng đằng sau câu nói của họ.

12 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 12: Phương pháp nào sau đây thường được sử dụng để đánh giá chất lượng của bản dịch máy?

Độ chính xác (Accuracy).

BLEU (Bilingual Evaluation Understudy) score.

F1-score.

ROUGE (Recall-Oriented Understudy for Gisting Evaluation) score.

Câu hỏi về đánh giá dịch máy. BLEU score là một trong những độ đo phổ biến nhất để đánh giá chất lượng dịch máy bằng cách so sánh bản dịch với một hoặc nhiều bản dịch tham khảo.

13 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 13: 'Text summarization' (tóm tắt văn bản) có hai phương pháp chính là extractive và abstractive. Phương pháp abstractive khác biệt như thế nào so với extractive?

Abstractive chỉ tóm tắt các văn bản ngắn, còn extractive cho văn bản dài.

Extractive tạo ra bản tóm tắt ngắn hơn abstractive.

Abstractive tạo ra bản tóm tắt bằng cách diễn đạt lại ý chính, có thể sử dụng từ ngữ không có trong văn bản gốc, còn extractive chỉ chọn lọc và kết hợp các phần tử có sẵn trong văn bản gốc.

Extractive đòi hỏi mô hình phức tạp hơn abstractive.

Câu hỏi so sánh hai phương pháp tóm tắt văn bản. Abstractive summarization tạo ra bản tóm tắt mới bằng cách diễn đạt lại ý chính, trong khi extractive chỉ chọn lọc và kết hợp các phần tử có sẵn trong văn bản gốc.

14 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 14: Trong xử lý ngôn ngữ tự nhiên, 'coreference resolution' (giải quyết đồng tham chiếu) là nhiệm vụ gì?

Xác định tất cả các biểu thức ngôn ngữ (ví dụ: đại từ, cụm danh từ) tham chiếu đến cùng một thực thể trong văn bản.

Phân tích cấu trúc câu để tìm ra chủ ngữ và vị ngữ.

Dịch các cụm từ đồng nghĩa sang ngôn ngữ khác.

Loại bỏ các thông tin trùng lặp trong văn bản.

Câu hỏi về coreference resolution, một nhiệm vụ phức tạp trong NLP. Coreference resolution là quá trình xác định tất cả các biểu thức tham chiếu đến cùng một thực thể trong văn bản.

15 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 15: Giả sử bạn muốn xây dựng một hệ thống phân loại email spam. Kỹ thuật feature engineering nào sau đây có thể hữu ích nhất?

Stemming và lemmatization.

Sử dụng TF-IDF để đánh trọng số cho các từ trong email.

Chuyển đổi tất cả văn bản thành chữ thường.

Loại bỏ tất cả các số và ký tự đặc biệt.

Câu hỏi tình huống về ứng dụng feature engineering trong phân loại spam email. Sử dụng TF-IDF để đánh giá tầm quan trọng của từ trong email có thể giúp phân biệt spam và non-spam email hiệu quả.

16 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 16: Trong mô hình hóa ngôn ngữ, 'perplexity' là gì?

Độ chính xác của mô hình trong việc dự đoán từ tiếp theo.

Tốc độ hội tụ của mô hình trong quá trình huấn luyện.

Số lượng tham số trong mô hình ngôn ngữ.

Đo lường mức độ 'bối rối' của mô hình khi dự đoán chuỗi từ, perplexity thấp hơn thường biểu thị mô hình tốt hơn.

Câu hỏi về perplexity, một độ đo quan trọng trong mô hình hóa ngôn ngữ. Perplexity đo lường khả năng dự đoán của mô hình ngôn ngữ, perplexity thấp hơn thường chỉ ra mô hình tốt hơn.

17 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 17: Kỹ thuật 'back-translation' (dịch ngược) được sử dụng để làm gì trong dịch máy?

Đánh giá chất lượng của mô hình dịch máy.

Tối ưu hóa tốc độ dịch của mô hình.

Tăng cường dữ liệu huấn luyện song ngữ bằng cách tạo ra các cặp câu dịch mới từ dữ liệu đơn ngữ.

Giảm kích thước của mô hình dịch máy.

Câu hỏi về back-translation, một kỹ thuật tăng cường dữ liệu trong dịch máy. Back-translation tạo ra dữ liệu huấn luyện song ngữ bổ sung bằng cách dịch văn bản đơn ngữ sang ngôn ngữ khác và sau đó dịch ngược lại.

18 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 18: Mô hình ngôn ngữ BERT (Bidirectional Encoder Representations from Transformers) nổi bật với đặc điểm nào?

Là mô hình ngôn ngữ hai chiều, xem xét ngữ cảnh từ cả hai phía (trước và sau) của một từ.

Chỉ sử dụng thông tin ngữ cảnh từ phía trước của từ để dự đoán từ tiếp theo.

Không sử dụng cơ chế attention mà dựa trên RNN.

Được thiết kế đặc biệt cho nhiệm vụ dịch máy.

Câu hỏi về BERT, một mô hình ngôn ngữ pre-trained quan trọng. BERT là mô hình hai chiều, xem xét cả ngữ cảnh bên trái và bên phải của từ khi tạo ra biểu diễn.

19 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 19: 'Zero-shot learning' trong NLP có nghĩa là gì?

Huấn luyện mô hình với dữ liệu không nhãn.

Khả năng của mô hình thực hiện một nhiệm vụ hoặc phân loại các lớp mà nó chưa từng được huấn luyện trực tiếp.

Huấn luyện mô hình với dữ liệu tổng hợp.

Sử dụng mô hình pre-trained mà không cần fine-tuning.

Câu hỏi về zero-shot learning, một khái niệm quan trọng trong học máy và NLP. Zero-shot learning là khả năng mô hình thực hiện nhiệm vụ hoặc phân loại các lớp chưa từng thấy trong quá trình huấn luyện.

20 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 20: 'Few-shot learning' khác với 'zero-shot learning' như thế nào?

Few-shot learning đòi hỏi nhiều dữ liệu huấn luyện hơn zero-shot learning.

Zero-shot learning thường đạt hiệu suất cao hơn few-shot learning.

Few-shot learning cho phép mô hình học từ một số ít ví dụ huấn luyện cho mỗi lớp mới, trong khi zero-shot không có ví dụ huấn luyện nào.

Few-shot learning chỉ áp dụng cho bài toán phân loại văn bản, còn zero-shot cho dịch máy.

Câu hỏi so sánh few-shot và zero-shot learning. Few-shot learning cho phép mô hình học từ một số lượng rất ít ví dụ huấn luyện cho mỗi lớp mới, trong khi zero-shot không có ví dụ huấn luyện nào.

21 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 21: Ứng dụng nào sau đây thể hiện rõ nhất việc sử dụng 'question answering' (hỏi đáp tự động) trong NLP?

Hệ thống gợi ý sản phẩm dựa trên lịch sử mua hàng.

Phần mềm kiểm tra chính tả và ngữ pháp.

Công cụ dịch văn bản trực tuyến.

Chatbot có thể trả lời câu hỏi của người dùng về thông tin sản phẩm hoặc dịch vụ.

Câu hỏi về ứng dụng của question answering. Chatbot thông minh thường tích hợp khả năng question answering để trả lời câu hỏi của người dùng dựa trên kiến thức hoặc cơ sở dữ liệu.

22 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 22: 'Knowledge graph' (đồ thị tri thức) được sử dụng để làm gì trong NLP?

Phân tích cấu trúc cú pháp của câu phức tạp.

Biểu diễn và lưu trữ tri thức dưới dạng đồ thị, giúp máy tính hiểu và suy luận thông tin.

Tạo ra văn bản tóm tắt từ nhiều nguồn khác nhau.

Phát hiện và sửa lỗi sai logic trong lập luận văn bản.

Câu hỏi về knowledge graph. Knowledge graph là một cấu trúc dữ liệu biểu diễn tri thức dưới dạng đồ thị, với các thực thể và mối quan hệ giữa chúng, hữu ích cho nhiều ứng dụng NLP.

23 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 23: Trong xử lý ngôn ngữ tự nhiên, 'lexical ambiguity' (tính mơ hồ từ vựng) đề cập đến vấn đề gì?

Sự khác biệt về từ vựng giữa các ngôn ngữ.

Việc sử dụng từ ngữ không chính xác về mặt ngữ pháp.

Một từ có thể có nhiều nghĩa khác nhau.

Khó khăn trong việc phát âm từ một cách chính xác.

Câu hỏi về lexical ambiguity, một thách thức trong NLP. Lexical ambiguity xảy ra khi một từ có nhiều nghĩa khác nhau, gây khó khăn cho việc hiểu đúng ý nghĩa trong ngữ cảnh cụ thể.

24 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 24: Kỹ thuật 'lemmaitization' (nguyên thể hóa) khác với 'stemming' (gốc từ) ở điểm nào?

Lemmatization đưa từ về dạng gốc có nghĩa (lemma) và có thể tra cứu trong từ điển, trong khi stemming có thể tạo ra gốc từ không có nghĩa.

Stemming chính xác hơn lemmatization trong việc xác định gốc từ.

Lemmatization nhanh hơn stemming về mặt tính toán.

Stemming chỉ áp dụng cho tiếng Anh, còn lemmatization cho nhiều ngôn ngữ khác.

Câu hỏi so sánh lemmatization và stemming. Lemmatization đưa từ về dạng gốc có nghĩa (lemma), trong khi stemming có thể tạo ra gốc từ không có nghĩa.

25 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 25: Khi đánh giá mô hình phân loại văn bản, 'precision' (độ chính xác) đo lường điều gì?

Tỷ lệ các trường hợp tích cực thực tế được mô hình dự đoán đúng.

Tỷ lệ các trường hợp được mô hình dự đoán là tích cực mà thực sự là tích cực.

Tổng số trường hợp được phân loại đúng trên tổng số trường hợp.

Khả năng mô hình phân loại đúng các trường hợp tiêu cực.

Câu hỏi về độ đo precision trong đánh giá mô hình phân loại. Precision đo lường tỷ lệ các trường hợp được dự đoán là tích cực thực sự là tích cực.

26 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 26: 'Recall' (độRecall) trong đánh giá mô hình phân loại văn bản đo lường điều gì?

Tỷ lệ các trường hợp tích cực thực tế được mô hình dự đoán đúng.

Tỷ lệ các trường hợp được mô hình dự đoán là tích cực mà thực sự là tích cực.

Tổng số trường hợp được phân loại đúng trên tổng số trường hợp.

Khả năng mô hình phân loại đúng các trường hợp tiêu cực.

Câu hỏi về độ đo recall trong đánh giá mô hình phân loại. Recall đo lường tỷ lệ các trường hợp tích cực thực tế được mô hình dự đoán đúng.

27 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 27: 'F1-score' là gì và tại sao nó quan trọng trong đánh giá mô hình phân loại?

Một độ đo chỉ tính đến độ chính xác và bỏ qua độRecall.

Độ đo chỉ tính đến độRecall và bỏ qua độ chính xác.

Trung bình điều hòa của precision và recall, quan trọng khi muốn cân bằng giữa độ chính xác và độRecall, đặc biệt trong các bài toán dữ liệu không cân bằng.

Độ đo chỉ phù hợp với các bài toán phân loại nhị phân.

Câu hỏi về F1-score, một độ đo tổng hợp quan trọng. F1-score là trung bình điều hòa của precision và recall, hữu ích khi cần cân bằng giữa hai độ đo này, đặc biệt trong các bài toán dữ liệu không cân bằng.

28 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 28: Trong ngữ cảnh của mô hình ngôn ngữ, 'overfitting' (quá khớp) xảy ra khi nào?

Mô hình không đủ dữ liệu huấn luyện.

Mô hình quá đơn giản và không thể nắm bắt được các mẫu phức tạp.

Mô hình học quá chậm và chưa hội tụ.

Mô hình học quá tốt trên dữ liệu huấn luyện nhưng lại kém trên dữ liệu mới (dữ liệu kiểm tra).

Câu hỏi về overfitting trong mô hình ngôn ngữ. Overfitting xảy ra khi mô hình học quá kỹ dữ liệu huấn luyện, dẫn đến hiệu suất kém trên dữ liệu mới.

29 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 29: Kỹ thuật 'dropout' thường được sử dụng để làm gì trong mạng nơ-ron sâu (deep neural networks) cho NLP?

Tăng tốc độ huấn luyện của mạng nơ-ron.

Ngăn chặn overfitting (quá khớp) bằng cách ngẫu nhiên bỏ qua một số nơ-ron trong quá trình huấn luyện.

Tăng cường khả năng biểu diễn của mạng nơ-ron.

Giảm số lượng tham số của mạng nơ-ron.

Câu hỏi về kỹ thuật dropout. Dropout là một kỹ thuật regularization để ngăn chặn overfitting bằng cách ngẫu nhiên bỏ qua một số nơ-ron trong quá trình huấn luyện.

30 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 07

Câu 30: 'Attention mechanism' (cơ chế chú ý) trong mạng nơ-ron giúp giải quyết vấn đề gì trong xử lý các chuỗi dài, ví dụ như trong dịch máy?

Giảm thiểu lỗi chính tả và ngữ pháp trong văn bản đầu ra.

Tăng cường khả năng song song hóa tính toán trong mạng nơ-ron.

Cho phép mô hình tập trung vào các phần liên quan của chuỗi đầu vào khi tạo ra đầu ra, khắc phục vấn đề 'quên' thông tin ở các bước thời gian trước đó trong RNNs khi xử lý chuỗi dài.

Tự động điều chỉnh tốc độ học (learning rate) trong quá trình huấn luyện.

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi về attention mechanism trong xử lý chuỗi dài. Attention mechanism giúp mô hình tập trung vào các phần liên quan của chuỗi đầu vào khi tạo ra đầu ra, khắc phục hạn chế của RNNs khi xử lý chuỗi dài.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Trắc nghiệm Xử lí ngôn ngữ tự nhiên - Đề 08

1 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 1: Trong quá trình tiền xử lý văn bản cho NLP, kỹ thuật nào sau đây giúp giảm số chiều của dữ liệu bằng cách chuyển đổi từ về dạng cơ sở của chúng, ví dụ như 'chạy', 'chạy bộ', 'đã chạy' thành 'chạy'?

Tách từ (Tokenization)

Loại bỏ từ dừng (Stop word removal)

Lemmatization (Bình thường hóa văn bản)

Vector hóa văn bản (Text vectorization)

Câu hỏi này kiểm tra kiến thức về các kỹ thuật tiền xử lý văn bản, đặc biệt là stemming và lemmatization. Stemming có thể tạo ra các từ gốc không có nghĩa, trong khi lemmatization đưa về dạng từ điển có nghĩa.

2 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 2: Mô hình Bag-of-Words (BoW) biểu diễn văn bản như thế nào?

Một chuỗi các từ theo thứ tự xuất hiện trong văn bản

Một tập hợp các từ và tần suất xuất hiện của chúng, bỏ qua thứ tự

Một đồ thị thể hiện mối quan hệ ngữ pháp giữa các từ

Một vectơ biểu diễn ngữ nghĩa của toàn bộ văn bản

Câu hỏi này kiểm tra sự hiểu biết về mô hình BoW, một phương pháp biểu diễn văn bản phổ biến trong NLP. BoW tập trung vào tần suất xuất hiện của từ mà không quan tâm đến thứ tự từ.

3 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 3: Xét bài đánh giá phim: 'Phim này có cốt truyện hấp dẫn, diễn xuất tuyệt vời, nhưng nhạc phim hơi tệ.'. Phân tích tình cảm (Sentiment Analysis) cho bài đánh giá này sẽ có kết quả như thế nào?

Tích cực

Tiêu cực

Trung tính

Không xác định

Câu hỏi này yêu cầu áp dụng kiến thức về phân tích tình cảm để phân tích một ví dụ cụ thể. Đánh giá có cả yếu tố tích cực ('hấp dẫn', 'tuyệt vời') và tiêu cực ('hơi tệ'), nhưng tổng thể vẫn mang tính tích cực.

4 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 4: Nhiệm vụ Nhận dạng Thực thể có tên (Named Entity Recognition - NER) nhằm mục đích gì?

Phân loại văn bản thành các chủ đề khác nhau

Xác định và phân loại các thực thể có tên trong văn bản

Phân tích cảm xúc và ý kiến trong văn bản

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác

Câu hỏi này kiểm tra kiến thức về NER, một nhiệm vụ quan trọng trong NLP. NER xác định và phân loại các thực thể có tên trong văn bản vào các danh mục như người, tổ chức, địa điểm, thời gian...

5 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 5: Mô hình ngôn ngữ n-gram hoạt động dựa trên giả định nào?

Các từ trong một câu độc lập với nhau

Ngữ nghĩa của từ là yếu tố quan trọng nhất

Xác suất xuất hiện của một từ phụ thuộc vào n-1 từ đứng trước nó

Cấu trúc cú pháp của câu quyết định ý nghĩa của nó

Câu hỏi này tập trung vào mô hình n-gram, một khái niệm cơ bản trong mô hình hóa ngôn ngữ. Mô hình n-gram dự đoán từ tiếp theo dựa trên n-1 từ trước đó.

6 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 6: Kỹ thuật Word Embedding (ví dụ: Word2Vec, GloVe) biểu diễn từ ngữ như thế nào?

Số nguyên duy nhất

Ký tự ASCII

Tần suất xuất hiện trong văn bản

Vectơ số thực đa chiều trong không gian ngữ nghĩa

Câu hỏi này kiểm tra hiểu biết về word embeddings, một kỹ thuật quan trọng để biểu diễn từ ngữ trong không gian vectơ. Word embeddings nắm bắt được ngữ nghĩa và quan hệ giữa các từ.

7 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 7: Trong kiến trúc Transformer, cơ chế Attention (chú ý) có vai trò gì?

Tăng tốc độ tính toán của mô hình

Giảm thiểu overfitting (quá khớp) trong quá trình huấn luyện

Cho phép mô hình tập trung vào các phần liên quan nhất của dữ liệu đầu vào

Mã hóa vị trí của các từ trong câu

Câu hỏi này liên quan đến kiến trúc Transformer và cơ chế attention, một thành phần cốt lõi giúp mô hình tập trung vào các phần quan trọng của đầu vào khi xử lý.

8 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 8: Nhiệm vụ Phân tích cú pháp phụ thuộc (Dependency Parsing) giúp xác định điều gì?

Chủ đề chính của văn bản

Quan hệ ngữ pháp giữa các từ trong câu

Cảm xúc chủ đạo của người viết

Các thực thể có tên trong câu

Câu hỏi này kiểm tra kiến thức về dependency parsing, một nhiệm vụ NLP nhằm phân tích cấu trúc cú pháp của câu bằng cách xác định quan hệ phụ thuộc giữa các từ.

9 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 9: Cho đoạn văn bản: 'Thời tiết hôm nay rất đẹp. Trời nắng và gió nhẹ.'. Nếu sử dụng kỹ thuật tách câu (Sentence Segmentation), kết quả sẽ là:

'Thời tiết hôm nay rất đẹp trời nắng và gió nhẹ.'

['Thời tiết hôm nay rất đẹp.', 'Trời nắng và gió nhẹ.']

['Thời tiết', 'hôm nay', 'rất', 'đẹp', 'Trời', 'nắng', 'và', 'gió', 'nhẹ']

Không thể tách câu trong đoạn văn bản này

Câu hỏi này yêu cầu áp dụng kỹ năng tách câu trên một ví dụ cụ thể. Tách câu là quá trình chia văn bản thành các câu riêng biệt.

10 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 10: Trong dịch máy (Machine Translation), thuật ngữ 'BLEU score' được sử dụng để làm gì?

Đo tốc độ dịch của hệ thống

Đo độ phức tạp của mô hình dịch

Đánh giá chất lượng của bản dịch so với bản dịch tham khảo

Xác định ngôn ngữ nguồn và ngôn ngữ đích

Câu hỏi này kiểm tra kiến thức về BLEU score, một độ đo phổ biến để đánh giá chất lượng của bản dịch máy.

11 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 11: Kỹ thuật nào sau đây giúp xử lý vấn đề 'Out-of-Vocabulary' (OOV) words, tức là các từ không có trong từ vựng của mô hình?

Stemming

Stop word removal

TF-IDF

Byte Pair Encoding (BPE)

Câu hỏi này tập trung vào vấn đề OOV và các kỹ thuật để giải quyết nó. Byte Pair Encoding (BPE) là một kỹ thuật phổ biến để xử lý OOV bằng cách chia từ thành các subword.

12 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 12: Mục đích của việc sử dụng hàm kích hoạt (activation function) trong mạng nơ-ron (neural network) cho NLP là gì?

Giảm số lượng tham số của mô hình

Đưa tính phi tuyến vào mô hình, giúp mô hình học được các quan hệ phức tạp

Chuẩn hóa dữ liệu đầu vào

Tăng tốc độ hội tụ của mô hình

Câu hỏi này kiểm tra hiểu biết về vai trò của hàm kích hoạt trong mạng nơ-ron, đặc biệt trong ngữ cảnh NLP. Hàm kích hoạt đưa tính phi tuyến vào mô hình.

13 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 13: Cho hai câu: 'Tôi thích xem phim hành động.' và 'Phim hành động rất thú vị.'. Tính độ tương tự cosine giữa vector biểu diễn của hai câu này sử dụng phương pháp trung bình word embeddings. Giả sử bạn đã có word embeddings cho từng từ. Quy trình nào sau đây là đúng?

Tính trực tiếp cosine similarity giữa hai câu gốc

Tính tổng word embeddings của mỗi câu rồi tính cosine similarity

Tính trung bình word embeddings của mỗi câu rồi tính cosine similarity

Tính tích vô hướng của word embeddings của mỗi câu

Câu hỏi này yêu cầu áp dụng kiến thức về tính độ tương tự cosine và word embeddings. Cần tính trung bình các word embeddings của mỗi câu rồi tính cosine similarity.

14 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 14: Trong lĩnh vực chatbot, 'intent recognition' (nhận dạng ý định) là gì?

Xác định mục đích hoặc mong muốn của người dùng thông qua câu nói của họ

Tạo ra câu trả lời tự nhiên và phù hợp cho người dùng

Phân tích cảm xúc của người dùng

Nhận dạng các thực thể có tên trong câu hỏi của người dùng

Câu hỏi này kiểm tra kiến thức về intent recognition trong chatbot, một nhiệm vụ quan trọng để chatbot hiểu được mục đích của người dùng.

15 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 15: Phương pháp học tăng cường (Reinforcement Learning) có thể được ứng dụng trong NLP cho nhiệm vụ nào?

Phân loại văn bản

Huấn luyện tác nhân đàm thoại (dialogue agents)

Phân tích cú pháp phụ thuộc

Tóm tắt văn bản

Câu hỏi này liên hệ giữa học tăng cường và NLP. Học tăng cường có thể được dùng để huấn luyện các tác nhân đàm thoại (dialogue agents) để tương tác với người dùng.

16 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 16: Cho một hệ thống hỏi đáp (Question Answering). Khi người dùng hỏi: 'Ai là tổng thống Hoa Kỳ hiện tại?'. Nhiệm vụ đầu tiên của hệ thống có thể là gì?

Dịch câu hỏi sang ngôn ngữ khác

Phân tích cảm xúc trong câu hỏi

Phân loại loại câu hỏi (ví dụ: câu hỏi về người) và nhận diện thực thể 'tổng thống Hoa Kỳ'

Tạo ra câu trả lời ngẫu nhiên

Câu hỏi này về hệ thống hỏi đáp và yêu cầu xác định bước đầu tiên. Nhận dạng loại câu hỏi và thực thể quan trọng là bước đầu tiên để tìm kiếm câu trả lời.

17 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 17: Kỹ thuật 'Backpropagation' được sử dụng để làm gì trong quá trình huấn luyện mạng nơ-ron?

Tăng tốc độ tính toán trong quá trình suy luận

Giảm thiểu overfitting

Chuẩn hóa dữ liệu đầu vào

Tính toán gradient của hàm mất mát (loss function) để cập nhật trọng số

Câu hỏi này kiểm tra kiến thức về backpropagation, thuật toán cơ bản để huấn luyện mạng nơ-ron bằng cách cập nhật trọng số dựa trên gradient lỗi.

18 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 18: Trong NLP, 'coreference resolution' (giải quyết đồng tham chiếu) là gì?

Xác định các cụm từ hoặc đại từ khác nhau cùng tham chiếu đến một thực thể

Phân loại văn bản theo chủ đề

Dịch văn bản sang ngôn ngữ khác

Phân tích cảm xúc của người viết

Câu hỏi này kiểm tra kiến thức về coreference resolution, một nhiệm vụ NLP nhằm xác định các cụm từ hoặc đại từ nào cùng tham chiếu đến một thực thể trong văn bản.

19 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 19: Cho văn bản: 'Apple ra mắt iPhone mới. Sản phẩm này có nhiều cải tiến vượt trội.'. 'Sản phẩm này' trong câu thứ hai đề cập đến thực thể nào trong câu thứ nhất?

Apple

iPhone mới

Sản phẩm

Cải tiến

Câu hỏi này là một ví dụ cụ thể về coreference resolution. 'Sản phẩm này' rõ ràng là đề cập đến 'iPhone mới' đã được nhắc đến trước đó.

20 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 20: Kỹ thuật 'Transfer Learning' (học chuyển giao) mang lại lợi ích gì trong NLP?

Giảm độ phức tạp tính toán của mô hình

Tăng khả năng diễn giải của mô hình

Cho phép huấn luyện mô hình hiệu quả hơn với dữ liệu huấn luyện hạn chế

Cải thiện khả năng phát hiện từ OOV

Câu hỏi này về transfer learning và lợi ích của nó trong NLP. Transfer learning giúp tận dụng kiến thức từ các mô hình đã được huấn luyện trước trên dữ liệu lớn để cải thiện hiệu suất trên các nhiệm vụ mới với dữ liệu hạn chế.

21 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 21: Phương pháp 'Data Augmentation' (tăng cường dữ liệu) có thể được áp dụng trong NLP như thế nào?

Thay thế từ bằng từ đồng nghĩa, xáo trộn thứ tự từ, dịch ngược văn bản

Loại bỏ các từ dừng và từ ít quan trọng

Giảm số chiều của dữ liệu

Chuẩn hóa văn bản về dạng chữ thường

Câu hỏi này về data augmentation trong NLP. Có nhiều cách tăng cường dữ liệu văn bản, ví dụ như thay thế từ đồng nghĩa, xáo trộn thứ tự từ, dịch ngược...

22 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 22: Trong ngữ cảnh của mô hình ngôn ngữ, 'perplexity' là gì?

Độ chính xác của mô hình trong việc dự đoán từ tiếp theo

Đo lường mức độ 'bối rối' của mô hình khi dự đoán một chuỗi văn bản

Thời gian cần thiết để mô hình xử lý một câu

Số lượng tham số trong mô hình ngôn ngữ

Câu hỏi này kiểm tra kiến thức về perplexity, một độ đo phổ biến để đánh giá mô hình ngôn ngữ. Perplexity đo mức độ 'bối rối' của mô hình khi dự đoán chuỗi văn bản.

23 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 23: Cho một đoạn hội thoại: Người dùng: 'Tôi muốn đặt vé máy bay đi Hà Nội vào ngày mai.' Chatbot: 'Bạn muốn đặt vé một chiều hay khứ hồi?'. Loại chatbot này thuộc loại nào dựa trên khả năng duy trì ngữ cảnh?

Chatbot dựa trên luật (Rule-based chatbot)

Chatbot truy xuất thông tin (Retrieval-based chatbot)

Chatbot theo ngữ cảnh (Contextual chatbot)

Chatbot tạo sinh (Generative chatbot)

Câu hỏi này về phân loại chatbot dựa trên khả năng duy trì ngữ cảnh hội thoại. Chatbot có khả năng hỏi tiếp để làm rõ yêu cầu thể hiện khả năng duy trì ngữ cảnh.

24 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 24: Kỹ thuật 'Summarization' (tóm tắt văn bản) trong NLP có bao nhiêu loại chính?

Câu hỏi này kiểm tra kiến thức về các loại tóm tắt văn bản. Có hai loại chính: extractive (trích rút) và abstractive (khái quát).

25 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 25: Sự khác biệt chính giữa tóm tắt văn bản 'extractive' và 'abstractive' là gì?

Extractive tạo tóm tắt dài hơn abstractive

Abstractive nhanh hơn extractive

Extractive sử dụng mô hình học sâu, abstractive thì không

Extractive chọn các câu có sẵn từ văn bản gốc, abstractive tạo ra các câu mới để tóm tắt ý chính

Câu hỏi này kiểm tra sự hiểu biết về sự khác biệt giữa hai loại tóm tắt. Extractive chọn câu có sẵn, abstractive tạo câu mới.

26 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 26: Trong đánh giá mô hình NLP, 'Precision' và 'Recall' được sử dụng để đo lường điều gì?

Tốc độ và hiệu quả tính toán của mô hình

Khả năng khái quát hóa của mô hình trên dữ liệu mới

Hiệu suất của mô hình trong việc dự đoán chính xác các lớp tích cực và khả năng tìm ra tất cả các lớp tích cực

Mức độ phức tạp của mô hình

Câu hỏi này kiểm tra kiến thức về Precision và Recall, hai độ đo quan trọng trong đánh giá mô hình phân loại, bao gồm cả trong NLP.

27 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 27: Chỉ số F1-score là gì và nó kết hợp những độ đo nào?

Trung bình điều hòa của Precision và Recall, đánh giá cân bằng giữa hai độ đo

Trung bình cộng của Precision và Recall

Tích của Precision và Recall

Giá trị lớn nhất giữa Precision và Recall

Câu hỏi này về F1-score, một độ đo tổng hợp thường dùng, là trung bình điều hòa của Precision và Recall.

28 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 28: Cho một hệ thống dịch máy. Để cải thiện chất lượng dịch cho các ngôn ngữ ít dữ liệu (low-resource languages), kỹ thuật nào có thể hữu ích?

Tăng kích thước mô hình

Sử dụng nhiều lớp mạng nơ-ron hơn

Áp dụng data augmentation mạnh mẽ hơn

Sử dụng dịch máy không giám sát (Unsupervised Machine Translation) hoặc học đa ngôn ngữ (Multilingual Learning)

Câu hỏi này về dịch máy và vấn đề ngôn ngữ ít dữ liệu. Dịch máy không giám sát và học đa ngôn ngữ là các kỹ thuật hữu ích trong trường hợp này.

29 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 29: Trong xử lý ngôn ngữ ký hiệu (Sign Language Processing), thách thức lớn nhất là gì so với xử lý ngôn ngữ nói?

Ngôn ngữ ký hiệu có số lượng từ vựng ít hơn

Ngôn ngữ ký hiệu có tính biểu cảm hình thái cao và thiếu dạng viết tiêu chuẩn

Mô hình ngôn ngữ cho ngôn ngữ ký hiệu phức tạp hơn

Dữ liệu huấn luyện cho ngôn ngữ ký hiệu dễ thu thập hơn

Câu hỏi này so sánh NLP với xử lý ngôn ngữ ký hiệu, tập trung vào thách thức đặc thù của ngôn ngữ ký hiệu, đó là tính đa dạng về hình thái và không có dạng viết tiêu chuẩn.

30 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 08

Câu 30: Ứng dụng nào sau đây KHÔNG phải là ứng dụng của NLP?

Chatbot và trợ lý ảo

Dịch máy

Phân tích tình cảm trên mạng xã hội

Chẩn đoán hình ảnh y tế (ví dụ: X-quang, MRI)

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi này kiểm tra kiến thức tổng quan về ứng dụng của NLP. Chẩn đoán hình ảnh y tế không phải là ứng dụng trực tiếp của NLP.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Trắc nghiệm Xử lí ngôn ngữ tự nhiên - Đề 09

1 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 1: Trong quá trình tiền xử lý văn bản cho NLP, bước nào sau đây giúp giảm số chiều dữ liệu và tập trung vào các từ có nghĩa bằng cách loại bỏ các từ phổ biến nhưng ít mang thông tin ngữ nghĩa?

Mã hóa từ (Word Embedding)

Loại bỏ stop words (Stop word removal)

Phân tích cú pháp (Parsing)

Tách từ (Tokenization)

Câu hỏi này kiểm tra kiến thức về tiền xử lý văn bản, đặc biệt là vai trò của việc loại bỏ stop words trong việc giảm nhiễu và tăng hiệu quả xử lý.

2 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 2: Xét bài toán phân loại văn bản (text classification) để xác định chủ đề của một bài báo. Phương pháp biểu diễn văn bản nào sau đây chỉ đếm tần suất xuất hiện của mỗi từ mà không quan tâm đến thứ tự từ trong câu?

Word2Vec

TF-IDF (Term Frequency-Inverse Document Frequency)

Bag-of-Words (BoW)

Mạng nơ-ron hồi quy (Recurrent Neural Network)

Câu hỏi này kiểm tra sự hiểu biết về các phương pháp biểu diễn văn bản, đặc biệt là mô hình Bag-of-Words và đặc điểm của nó là bỏ qua thứ tự từ.

3 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 3: Trong các mô hình ngôn ngữ n-gram, vấn đề 'sparsity' (dữ liệu thưa thớt) xảy ra khi nào?

Khi kích thước vocabulary quá nhỏ

Khi sử dụng n-gram quá nhỏ (ví dụ, unigram)

Khi mô hình được huấn luyện trên dữ liệu lớn

Khi có nhiều n-gram xuất hiện trong tập kiểm tra nhưng không xuất hiện trong tập huấn luyện

Câu hỏi này tập trung vào một vấn đề quan trọng trong mô hình ngôn ngữ n-gram là sparsity và nguyên nhân gây ra nó.

4 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 4: Để đánh giá hiệu quả của một hệ thống dịch máy, độ đo BLEU (Bilingual Evaluation Understudy) tập trung vào việc so sánh điều gì?

Mức độ trùng khớp giữa n-gram trong bản dịch của hệ thống và bản dịch tham khảo

Mức độ hiểu ý nghĩa ngữ nghĩa của bản dịch

Tốc độ dịch của hệ thống

Khả năng xử lý các ngôn ngữ khác nhau của hệ thống

Câu hỏi này kiểm tra kiến thức về các độ đo đánh giá trong NLP, cụ thể là BLEU và tiêu chí so sánh của nó.

5 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 5: Kỹ thuật 'Word Embedding' (mã hóa từ) như Word2Vec hoặc GloVe giúp ích gì trong xử lý ngôn ngữ tự nhiên?

Giảm kích thước bộ từ vựng (vocabulary)

Biểu diễn từ dưới dạng vector số, nắm bắt được quan hệ ngữ nghĩa giữa các từ

Tăng tốc độ xử lý văn bản

Loại bỏ các từ không quan trọng trong văn bản

Câu hỏi này tập trung vào lợi ích cốt lõi của word embedding trong NLP, đó là biểu diễn ngữ nghĩa của từ.

6 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 6: Trong bài toán phân tích cảm xúc (sentiment analysis), khi một mô hình dự đoán sai cảm xúc của một đoạn văn bản là 'tích cực' trong khi thực tế là 'tiêu cực', lỗi này được gọi là gì?

Lỗi loại 1 (Type I error)

Lỗi hệ thống (Systematic error)

False Positive

False Negative

Câu hỏi này kiểm tra hiểu biết về các loại lỗi trong phân loại, cụ thể là false positive và false negative trong ngữ cảnh phân tích cảm xúc.

7 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 7: Mô hình Transformer, nền tảng của nhiều kiến trúc NLP hiện đại như BERT, hoạt động hiệu quả nhờ cơ chế chính nào?

Cơ chế pooling (Pooling mechanism)

Cơ chế convolution (Convolution mechanism)

Cơ chế hồi quy (Recurrence mechanism)

Cơ chế tự chú ý (Self-attention mechanism)

Câu hỏi này tập trung vào kiến trúc Transformer và thành phần cốt lõi làm nên hiệu quả của nó: cơ chế attention.

8 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 8: Nhiệm vụ 'Named Entity Recognition' (NER) trong NLP nhằm mục đích gì?

Phân tích cảm xúc của văn bản

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

Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác

Tóm tắt nội dung chính của văn bản

Câu hỏi này kiểm tra sự hiểu biết về nhiệm vụ NER và mục tiêu của nó là xác định và phân loại các thực thể có tên.

9 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 9: Trong quá trình 'lemmatization', từ 'running', 'ran', 'runs' sẽ được đưa về dạng gốc nào?

runnings

ran

run

runner

Câu hỏi này kiểm tra kiến thức về lemmatization và cách nó đưa các từ về dạng gốc dựa trên từ điển và ngữ pháp.

10 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 10: Khi xây dựng một chatbot, kỹ thuật NLP nào thường được sử dụng để hiểu ý định (intent) của người dùng từ câu hỏi hoặc lệnh của họ?

Phân loại ý định (Intent classification)

Sinh văn bản (Text generation)

Nhận dạng giọng nói (Speech recognition)

Dịch máy (Machine translation)

Câu hỏi này liên hệ kiến thức NLP với ứng dụng chatbot, tập trung vào việc nhận diện ý định người dùng, một bước quan trọng trong chatbot.

11 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 11: Để xử lý các từ 'ngoài từ vựng' (out-of-vocabulary - OOV) mà mô hình chưa từng gặp trong quá trình huấn luyện, kỹ thuật nào sau đây thường được sử dụng?

Stemming

Lemmatization

Stop word removal

Byte Pair Encoding (BPE)

Câu hỏi này đề cập đến vấn đề OOV words và một kỹ thuật phổ biến để xử lý chúng, đó là Byte Pair Encoding.

12 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 12: Trong các mô hình ngôn ngữ dựa trên mạng nơ-ron, 'attention mechanism' (cơ chế chú ý) giúp mô hình tập trung vào điều gì?

Tất cả các từ trong câu đầu vào một cách đồng đều

Các phần quan trọng nhất của câu đầu vào liên quan đến từ hiện tại đang được xử lý

Các từ xuất hiện ít thường xuyên hơn trong câu

Thứ tự xuất hiện của các từ trong câu

Câu hỏi này kiểm tra sự hiểu biết về cơ chế attention và vai trò của nó trong việc tập trung vào thông tin quan trọng.

13 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 13: Phương pháp 'TF-IDF' (Term Frequency-Inverse Document Frequency) được sử dụng để làm gì trong xử lý văn bản?

Phân tích cú pháp của câu

Phát hiện ngôn ngữ của văn bản

Đánh giá tầm quan trọng của từ trong một văn bản so với một tập hợp các văn bản

Tạo ra các biểu diễn vector của từ

Câu hỏi này tập trung vào mục đích sử dụng của TF-IDF, đó là đánh trọng số từ dựa trên tần suất và độ hiếm của chúng.

14 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 14: Trong kiến trúc mạng nơ-ron hồi quy (RNN) cho NLP, vấn đề 'vanishing gradient' (gradient biến mất) có thể gây ra hậu quả gì?

Mô hình khó học được các phụ thuộc dài hạn trong văn bản

Mô hình học quá nhanh và dẫn đến overfitting

Mô hình trở nên quá nhạy cảm với nhiễu trong dữ liệu

Mô hình chỉ có thể xử lý văn bản ngắn

Câu hỏi này đề cập đến một vấn đề trong RNN là vanishing gradient và tác động tiêu cực của nó đến việc học các phụ thuộc xa.

15 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 15: Để xác định cấu trúc cú pháp của một câu và mối quan hệ giữa các từ, kỹ thuật NLP nào được sử dụng?

Phân tích cảm xúc (Sentiment analysis)

Phân tích cú pháp (Parsing)

Nhận dạng thực thể có tên (Named Entity Recognition)

Phân loại văn bản (Text classification)

Câu hỏi này kiểm tra kiến thức về phân tích cú pháp và mục tiêu của nó là xác định cấu trúc và quan hệ cú pháp.

16 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 16: Ứng dụng nào sau đây KHÔNG phải là một ứng dụng phổ biến của Xử lý ngôn ngữ tự nhiên (NLP)?

Trợ lý ảo (Virtual assistants)

Dịch máy (Machine translation)

Phân tích đánh giá sản phẩm trực tuyến (Online product review analysis)

Nhận dạng khuôn mặt (Facial recognition)

Câu hỏi này kiểm tra kiến thức về các ứng dụng của NLP và yêu cầu xác định ứng dụng không liên quan.

17 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 17: Trong ngữ cảnh của mô hình BERT, 'masking' (che lấp) từ trong quá trình huấn luyện trước (pre-training) nhằm mục đích gì?

Giảm kích thước mô hình

Tăng tốc độ huấn luyện

Giúp mô hình học cách dự đoán từ bị thiếu dựa trên ngữ cảnh xung quanh

Ngăn chặn overfitting

Câu hỏi này tập trung vào một khía cạnh quan trọng trong huấn luyện BERT là masking và mục đích của nó.

18 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 18: Để chuyển đổi văn bản thành dạng số để máy tính có thể xử lý, phương pháp nào sau đây mã hóa mỗi từ thành một vector one-hot?

One-hot encoding

Word2Vec

TF-IDF

Bag-of-Words

Câu hỏi này kiểm tra kiến thức về one-hot encoding, một phương pháp biểu diễn văn bản đơn giản nhưng cơ bản.

19 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 19: Trong xử lý ngôn ngữ tự nhiên, 'tokenization' là quá trình gì?

Loại bỏ các từ không quan trọng (stop words)

Chia văn bản thành các đơn vị nhỏ hơn, thường là từ hoặc cụm từ

Đưa các từ về dạng gốc (lemma)

Phân tích cấu trúc ngữ pháp của câu

Câu hỏi này kiểm tra định nghĩa cơ bản của tokenization, một bước tiền xử lý quan trọng.

20 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 20: Khi đánh giá mô hình phân loại văn bản, độ đo 'F1-score' là trung bình điều hòa của hai độ đo nào?

Độ chính xác (Accuracy) và Độ tin cậy (Confidence)

Độ chính xác (Accuracy) và Độ bao phủ (Coverage)

Độ chính xác (Accuracy) và Độ đặc hiệu (Specificity)

Độ chính xác (Precision) và ĐộRecall (Recall)

Câu hỏi này kiểm tra kiến thức về độ đo đánh giá F1-score và thành phần của nó.

21 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 21: Mô hình ngôn ngữ nào sau đây có khả năng tạo ra văn bản mới một cách tự nhiên và mạch lạc, thường được sử dụng trong các ứng d??ng như chatbot hoặc sinh văn bản sáng tạo?

Bag-of-Words

TF-IDF

GPT (Generative Pre-trained Transformer)

Word2Vec

Câu hỏi này kiểm tra kiến thức về các mô hình ngôn ngữ sinh văn bản, đặc biệt là các mô hình transformer lớn.

22 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 22: Trong lĩnh vực NLP, 'cross-lingual' (đa ngôn ngữ) đề cập đến điều gì?

Xử lý văn bản viết tay

Xử lý ngôn ngữ liên quan đến nhiều ngôn ngữ khác nhau

Xử lý ngôn ngữ trong bối cảnh văn hóa khác nhau

Xử lý ngôn ngữ ký hiệu

Câu hỏi này kiểm tra hiểu biết về khái niệm cross-lingual NLP và phạm vi của nó.

23 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 23: Để giảm thiểu sự chệch hướng (bias) trong các mô hình NLP, biện pháp nào sau đây KHÔNG phù hợp?

Sử dụng bộ dữ liệu huấn luyện đa dạng và cân bằng

Áp dụng các kỹ thuật làm mất chệch hướng dữ liệu (debiasing techniques)

Đánh giá mô hình trên nhiều nhóm nhân khẩu học khác nhau

Chỉ sử dụng dữ liệu từ một nguồn duy nhất để đảm bảo tính nhất quán

Câu hỏi này kiểm tra nhận thức về bias trong NLP và các biện pháp giảm thiểu, trong đó một lựa chọn là phản tác dụng.

24 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 24: Trong bài toán tóm tắt văn bản (text summarization), phương pháp 'extractive summarization' hoạt động bằng cách nào?

Chọn lọc và kết hợp các câu hoặc đoạn quan trọng nhất từ văn bản gốc

Diễn giải lại nội dung của văn bản gốc bằng ngôn ngữ mới

Sử dụng mô hình sinh văn bản để tạo ra bản tóm tắt

Loại bỏ các từ không quan trọng và giữ lại các từ khóa chính

Câu hỏi này kiểm tra kiến thức về các phương pháp tóm tắt văn bản, cụ thể là extractive summarization và cách nó tạo ra bản tóm tắt.

25 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 25: Khi xây dựng hệ thống hỏi đáp (question answering), dạng bài toán nào yêu cầu hệ thống trả lời câu hỏi bằng cách chọn một đoạn văn bản có sẵn trong tài liệu?

Sinh câu trả lời tự do (Open-domain question answering)

Hỏi đáp dựa trên tri thức (Knowledge-based question answering)

Hỏi đáp trích xuất (Extractive question answering)

Hỏi đáp có tính lý luận (Reasoning-based question answering)

Câu hỏi này phân loại các dạng bài toán QA, tập trung vào extractive QA và đặc điểm của nó là trích xuất câu trả lời từ văn bản.

26 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 26: Để xử lý hiệu quả các ngôn ngữ có cấu trúc từ phức tạp và biến tố (ví dụ: tiếng Việt, tiếng Thổ Nhĩ Kỳ), kỹ thuật 'subword tokenization' (tách từ đơn vị dưới từ) mang lại lợi ích gì?

Tăng tốc độ xử lý văn bản

Giảm số lượng từ 'ngoài từ vựng' (OOV) và xử lý tốt hơn các từ hiếm gặp hoặc từ mới

Cải thiện khả năng phân tích cú pháp

Đơn giản hóa quá trình tiền xử lý văn bản

Câu hỏi này tập trung vào subword tokenization và lợi ích của nó trong xử lý các ngôn ngữ có hình thái học phong phú.

27 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 27: Trong lĩnh vực NLP, 'ground truth' (chân lý nền tảng) thường được dùng để chỉ điều gì?

Dữ liệu hoặc nhãn chính xác, được con người gán nhãn hoặc xác nhận, dùng làm chuẩn để đánh giá mô hình

Dữ liệu đầu vào ban đầu trước khi qua xử lý

Kết quả dự đoán của mô hình NLP

Mô hình NLP tốt nhất hiện có

Câu hỏi này kiểm tra hiểu biết về khái niệm ground truth, một thuật ngữ quan trọng trong machine learning và NLP.

28 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 28: Trong mô hình Transformer, 'positional encoding' (mã hóa vị trí) được sử dụng để giải quyết vấn đề gì?

Giảm độ phức tạp tính toán của mô hình

Cải thiện khả năng xử lý các câu dài

Mã hóa thông tin về vị trí tương đối của các từ trong câu, vì cơ chế self-attention không có thông tin về thứ tự

Tăng cường khả năng biểu diễn ngữ nghĩa của từ

Câu hỏi này tập trung vào positional encoding trong Transformer và vai trò của nó trong việc xử lý thông tin vị trí.

29 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 29: Để xây dựng một hệ thống gợi ý sản phẩm dựa trên đánh giá văn bản của khách hàng, nhiệm vụ NLP quan trọng nhất cần thực hiện là gì?

Phân tích cú pháp (Parsing)

Phân tích cảm xúc (Sentiment analysis) và trích xuất khía cạnh (Aspect extraction)

Dịch máy (Machine translation)

Nhận dạng thực thể có tên (Named Entity Recognition)

Câu hỏi này liên hệ NLP với một ứng dụng thực tế và yêu cầu xác định nhiệm vụ NLP phù hợp nhất để giải quyết vấn đề.

30 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 09

Câu 30: Trong ngữ cảnh của NLP, 'knowledge graph' (đồ thị tri thức) được sử dụng để biểu diễn điều gì?

Cấu trúc ngữ pháp của câu

Quan hệ ngữ nghĩa giữa các từ trong văn bản

Phân bố tần suất từ trong một tập văn bản

Tri thức về thế giới thực, bao gồm các thực thể và mối quan hệ giữa chúng

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi này kiểm tra hiểu biết về knowledge graph và mục đích sử dụng của nó trong NLP.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Trắc nghiệm Xử lí ngôn ngữ tự nhiên - Đề 10

1 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 1: Nhiệm vụ nào sau đây thể hiện việc ứng dụng Xử lý Ngôn ngữ Tự nhiên (NLP) để *phân tích* dữ liệu văn bản, thay vì chỉ *tạo ra* hoặc *chuyển đổi* văn bản?

Dịch máy từ tiếng Anh sang tiếng Việt.

Tạo sinh văn bản tự động dựa trên một chủ đề cho trước.

Phân loại email vào hộp thư 'spam' hoặc 'không spam'.

Chuyển đổi giọng nói thành văn bản viết.

Câu hỏi tập trung vào sự khác biệt giữa các ứng dụng NLP, đặc biệt nhấn mạnh vào phân tích văn bản (tư duy bậc cao - phân tích). Các lựa chọn khác liên quan đến tạo hoặc chuyển đổi văn bản.

2 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 2: Để xác định *chủ đề chính* của một tập hợp lớn các bài báo khoa học, kỹ thuật NLP nào sau đây sẽ phù hợp nhất?

Phân tích cú pháp phụ thuộc (Dependency Parsing)

Mô hình hóa chủ đề (Topic Modeling)

Nhận dạng thực thể có tên (Named Entity Recognition)

Phân tích quan điểm (Sentiment Analysis)

Câu hỏi yêu cầu lựa chọn kỹ thuật NLP phù hợp cho một tình huống cụ thể (phân tích chủ đề - ứng dụng). Phân tích chủ đề (Topic Modeling) là kỹ thuật cốt lõi để khám phá các chủ đề ẩn trong văn bản.

3 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 3: Trong quá trình tiền xử lý văn bản cho NLP, kỹ thuật *loại bỏ stop words* (từ dừng) thường được áp dụng nhằm mục đích chính nào?

Giảm kích thước dữ liệu và tăng tốc độ xử lý.

Cải thiện độ chính xác của việc phân tích cú pháp.

Đảm bảo tính nhất quán về mặt chính tả trong văn bản.

Tăng cường khả năng nhận diện thực thể có tên.

Câu hỏi tập trung vào mục đích của một kỹ thuật tiền xử lý cụ thể (loại bỏ stop words - kiến thức). Stop words thường là các từ phổ biến, ít mang thông tin ngữ nghĩa, việc loại bỏ gi??p giảm nhiễu và tăng hiệu quả xử lý.

4 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 4: Xét bài toán *phân tích quan điểm* (sentiment analysis), đâu là thách thức lớn nhất khi phân tích quan điểm trong ngôn ngữ tự nhiên, đặc biệt là tiếng Việt?

Sự thiếu hụt dữ liệu văn bản tiếng Việt so với tiếng Anh.

Khả năng xử lý dấu thanh điệu trong tiếng Việt còn hạn chế.

Việc tích hợp thư viện NLP cho tiếng Việt còn chưa đa dạng.

Sự đa dạng và phức tạp trong biểu đạt sắc thái tình cảm, ẩn ý, mỉa mai.

Câu hỏi về thách thức trong NLP, đặc biệt liên quan đến phân tích quan điểm và ngôn ngữ tiếng Việt (phân tích, ngôn ngữ học). Tiếng Việt có nhiều sắc thái biểu cảm, từ lóng, và biến thể vùng miền, gây khó khăn cho phân tích quan điểm.

5 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 5: Mô hình *Word2Vec* và *GloVe* thuộc loại mô hình nào trong NLP, và chúng được sử dụng để làm gì?

Mô hình ngôn ngữ thống kê, dùng để dự đoán từ tiếp theo trong câu.

Mô hình biểu diễn từ phân tán, dùng để biểu diễn từ thành các vectơ số.

Mô hình học máy có giám sát, dùng để phân loại văn bản.

Mô hình mạng nơ-ron hồi quy, dùng để xử lý chuỗi thời gian.

Câu hỏi về loại mô hình và ứng dụng của Word2Vec/GloVe (kiến thức, ứng dụng). Đây là các mô hình biểu diễn từ (word embeddings), chuyển từ thành vector số để máy tính có thể xử lý.

6 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 6: Trong kiến trúc *Transformer* cho NLP, cơ chế *attention* (chú ý) đóng vai trò quan trọng như thế nào?

Tăng tốc độ tính toán của mô hình Transformer.

Giảm số lượng tham số cần huấn luyện trong mô hình.

Cho phép mô hình tập trung vào các phần liên quan nhất của dữ liệu đầu vào.

Thay thế hoàn toàn các lớp mạng nơ-ron tích chập (CNN) trong mô hình.

Câu hỏi về vai trò của cơ chế attention trong Transformer (kiến thức, vai trò). Attention giúp mô hình tập trung vào các phần quan trọng của đầu vào khi xử lý thông tin, đặc biệt hiệu quả với dữ liệu chuỗi dài.

7 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 7: Khi đánh giá hiệu suất của một mô hình *phân loại văn bản*, chỉ số *accuracy* (độ chính xác) có thể gây hiểu lầm trong trường hợp nào?

Khi mô hình phân loại văn bản hoạt động quá nhanh.

Khi tập dữ liệu kiểm tra quá nhỏ.

Khi các lớp trong bài toán phân loại có độ quan trọng khác nhau.

Khi dữ liệu huấn luyện có sự mất cân bằng lớn giữa các lớp.

Câu hỏi về hạn chế của chỉ số đánh giá accuracy trong phân loại văn bản (đánh giá mô hình, hạn chế). Accuracy không phù hợp khi dữ liệu bị mất cân bằng lớp (imbalanced dataset).

8 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 8: Kỹ thuật *stemming* và *lemmatization* trong NLP có điểm khác biệt cơ bản nào?

Stemming phức tạp hơn lemmatization về mặt tính toán.

Lemmatization đưa từ về dạng gốc có nghĩa, còn stemming có thể tạo ra gốc từ không có nghĩa.

Stemming sử dụng từ điển, còn lemmatization thì không.

Lemmatization chỉ áp dụng cho tiếng Anh, còn stemming áp dụng được cho nhiều ngôn ngữ hơn.

Câu hỏi so sánh hai kỹ thuật tiền xử lý (stemming vs lemmatization - so sánh, kiến thức). Stemming loại bỏ hậu tố đơn giản, lemmatization đưa về dạng từ điển (lemma) có nghĩa.

9 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 9: Ứng dụng nào sau đây *không* thuộc lĩnh vực Xử lý Ngôn ngữ Tự nhiên (NLP)?

Chatbot tự động trả lời câu hỏi của khách hàng.

Hệ thống tóm tắt tin tức tự động.

Phần mềm nhận diện khuôn mặt trong ảnh.

Công cụ kiểm tra lỗi chính tả và ngữ pháp văn bản.

Câu hỏi xác định ứng dụng không phải NLP (phân loại ứng dụng NLP). Nhận diện khuôn mặt là thuộc lĩnh vực xử lý ảnh, không phải NLP.

10 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 10: Để xây dựng một hệ thống *dịch máy* hiệu quả, yếu tố nào sau đây là quan trọng *nhất*?

Lượng lớn dữ liệu song ngữ (parallel data) chất lượng cao.

Thuật toán học máy phức tạp nhất.

Tốc độ xử lý của phần cứng máy tính.

Sự tham gia của chuyên gia ngôn ngữ học trong quá trình phát triển.

Câu hỏi về yếu tố quan trọng nhất trong dịch máy (ứng dụng, yếu tố quan trọng). Dữ liệu song ngữ chất lượng cao là yếu tố then chốt để huấn luyện mô hình dịch máy.

11 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 11: Trong bài toán *nhận dạng thực thể có tên* (NER), mục tiêu chính là gì?

Phân loại văn bản vào các chủ đề khác nhau.

Xác định và phân loại các thực thể như tên người, tổ chức, địa điểm trong văn bản.

Phân tích cảm xúc, thái độ thể hiện trong văn bản.

Chuyển đổi văn bản thành dạng vector số để xử lý.

Câu hỏi về mục tiêu của NER (kiến thức, mục tiêu). NER nhằm xác định và phân loại các thực thể có tên (người, tổ chức, địa điểm...) trong văn bản.

12 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 12: Mô hình *Bag-of-Words* (BoW) biểu diễn văn bản dựa trên yếu tố nào?

Thứ tự xuất hiện của các từ trong văn bản.

Mối quan hệ ngữ pháp giữa các từ trong câu.

Tần suất xuất hiện của mỗi từ trong văn bản.

Ngữ cảnh xuất hiện của các từ trong văn bản.

Câu hỏi về cách BoW biểu diễn văn bản (kiến thức, BoW). BoW chỉ quan tâm đến tần suất xuất hiện của từ, bỏ qua thứ tự và ngữ pháp.

13 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 13: Để giảm thiểu vấn đề *out-of-vocabulary* (OOV) khi xử lý ngôn ngữ, kỹ thuật nào sau đây thường được sử dụng?

Stemming.

Loại bỏ stop words.

Lemmatization.

Byte Pair Encoding (BPE).

Câu hỏi về kỹ thuật giảm thiểu OOV (vấn đề OOV, kỹ thuật). Byte Pair Encoding (BPE) là kỹ thuật phổ biến để xử lý từ hiếm và từ OOV bằng cách chia từ thành các đơn vị nhỏ hơn.

14 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 14: Trong mô hình ngôn ngữ *n-gram*, giá trị 'n' thể hiện điều gì?

Số lượng lớp ẩn trong mô hình.

Số lượng từ liên tiếp được xem xét trong mô hình.

Số lượng từ vựng trong tập dữ liệu.

Số chiều của vector biểu diễn từ.

Câu hỏi về ý nghĩa của 'n' trong n-gram (kiến thức, n-gram). 'n' là số lượng từ liên tiếp được xem xét trong mô hình.

15 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 15: Kỹ thuật *TF-IDF* (Term Frequency-Inverse Document Frequency) được sử dụng để làm gì?

Đo lường tầm quan trọng của một từ trong văn bản so với một tập hợp văn bản.

Phân tích quan điểm (sentiment) của văn bản.

Phân loại văn bản dựa trên chủ đề.

Tóm tắt nội dung chính của văn bản.

Câu hỏi về ứng dụng của TF-IDF (kiến thức, ứng dụng TF-IDF). TF-IDF dùng để đo lường tầm quan trọng của từ trong một văn bản so với tập hợp văn bản.

16 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 16: Để đánh giá khả năng của mô hình *sinh văn bản* (text generation), chỉ số *Perplexity* thường được sử dụng. Perplexity càng *thấp* thì mô hình càng:

Sinh văn bản càng chậm.

Dự đoán chuỗi văn bản càng tốt và sinh văn bản tự nhiên hơn.

Yêu cầu tài nguyên tính toán càng lớn.

Dễ bị overfitting hơn.

Câu hỏi về ý nghĩa của Perplexity trong đánh giá mô hình sinh văn bản (đánh giá, Perplexity). Perplexity thấp thể hiện mô hình dự đoán chuỗi tốt hơn, sinh văn bản tự nhiên hơn.

17 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 17: Trong *phân tích cú pháp phụ thuộc* (dependency parsing), mục tiêu là xác định điều gì?

Chủ đề chính của câu.

Cấu trúc ngữ nghĩa của câu.

Mối quan hệ phụ thuộc giữa các từ trong câu.

Loại từ (part-of-speech) của mỗi từ trong câu.

Câu hỏi về mục tiêu của dependency parsing (kiến thức, dependency parsing). Phân tích cú pháp phụ thuộc xác định mối quan hệ phụ thuộc giữa các từ trong câu.

18 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 18: Mô hình *BERT* (Bidirectional Encoder Representations from Transformers) nổi bật hơn các mô hình trước đó nhờ khả năng gì?

Sinh văn bản dài mạch lạc hơn.

Dịch máy nhanh hơn.

Phân tích cú pháp chính xác hơn.

Học biểu diễn ngữ cảnh hai chiều của từ.

Câu hỏi về ưu điểm của BERT (kiến thức, BERT). BERT là mô hình Transformer, có khả năng học biểu diễn ngữ cảnh hai chiều (bidirectional context), cải thiện hiệu suất trong nhiều nhiệm vụ NLP.

19 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 19: Trong xử lý ngôn ngữ, *tokenization* là quá trình gì?

Chia văn bản thành các đơn vị nhỏ hơn như từ hoặc cụm từ.

Tìm dạng gốc của từ.

Loại bỏ các từ không quan trọng.

Gán nhãn loại từ cho mỗi từ trong câu.

Câu hỏi về định nghĩa của tokenization (kiến thức, tokenization). Tokenization là quá trình chia văn bản thành các đơn vị nhỏ hơn (tokens), thường là từ hoặc cụm từ.

20 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 20: Để xây dựng chatbot có khả năng *hiểu ý định* của người dùng, kỹ thuật NLP nào là quan trọng?

Sinh văn bản.

Nhận dạng ý định (Intent Recognition).

Tóm tắt văn bản.

Dịch máy.

Câu hỏi về kỹ thuật NLP quan trọng cho chatbot hiểu ý định (ứng dụng chatbot, kỹ thuật). Nhận dạng ý định (Intent Recognition) là kỹ thuật cốt lõi để chatbot hiểu mục đích của người dùng.

21 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 21: Khi đối phó với văn bản *đa ngôn ngữ*, thách thức lớn nhất trong NLP là gì?

Tốc độ xử lý chậm hơn.

Yêu cầu bộ nhớ lớn hơn.

Sự khác biệt về cấu trúc ngôn ngữ và nguồn lực ngôn ngữ hạn chế.

Khó khăn trong việc biểu diễn vector từ.

Câu hỏi về thách thức NLP với đa ngôn ngữ (thách thức, đa ngôn ngữ). Sự khác biệt về cấu trúc ngôn ngữ và nguồn lực ngôn ngữ hạn chế là thách thức lớn.

22 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 22: Phương pháp *học chuyển giao* (transfer learning) được ứng dụng trong NLP như thế nào?

Để tăng cường dữ liệu huấn luyện.

Để giảm overfitting.

Để tăng tốc độ huấn luyện mô hình.

Sử dụng mô hình đã huấn luyện trước trên tập dữ liệu lớn cho các nhiệm vụ mới.

Câu hỏi về ứng dụng học chuyển giao trong NLP (ứng dụng, học chuyển giao). Học chuyển giao cho phép sử dụng kiến thức từ mô hình huấn luyện trước trên tập dữ liệu lớn để cải thiện hiệu suất trên nhiệm vụ mới với dữ liệu hạn chế.

23 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 23: Trong ngữ cảnh NLP, *word embedding* (biểu diễn từ) mang lại lợi ích chính nào?

Giảm kích thước dữ liệu văn bản.

Giúp mô hình hiểu được mối quan hệ ngữ nghĩa giữa các từ.

Tăng tốc độ tiền xử lý văn bản.

Cải thiện độ chính xác của phân tích cú pháp.

Câu hỏi về lợi ích của word embedding (lợi ích, word embedding). Word embedding biểu diễn từ bằng vector số, giúp mô hình hiểu được mối quan hệ ngữ nghĩa giữa các từ.

24 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 24: Để xử lý văn bản dạng *chuỗi thời gian* (ví dụ: nhật ký chat, dòng tweet), kiến trúc mạng nơ-ron nào thường được ưu tiên sử dụng?

Mạng nơ-ron tích chập (CNN).

Mạng nơ-ron truyền thẳng (Feedforward Neural Network).

Mạng nơ-ron hồi quy (RNN) hoặc biến thể LSTM, GRU.

Mạng đối kháng sinh (GAN).

Câu hỏi về kiến trúc mạng phù hợp cho dữ liệu chuỗi thời gian trong NLP (kiến trúc mạng, dữ liệu chuỗi thời gian). Mạng nơ-ron hồi quy (RNN) và biến thể LSTM/GRU được thiết kế để xử lý dữ liệu chuỗi tuần tự.

25 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 25: Khi nào thì việc sử dụng *mô hình ngôn ngữ thống kê* (ví dụ: n-gram) có thể hiệu quả hơn so với *mô hình ngôn ngữ nơ-ron* (ví dụ: RNN, Transformer)?

Khi dữ liệu huấn luyện hạn chế và cần tốc độ xử lý nhanh.

Khi cần độ chính xác cao nhất, bất kể thời gian và tài nguyên.

Khi xử lý văn bản đa ngôn ngữ.

Khi cần mô hình có khả năng suy luận phức tạp.

Câu hỏi so sánh mô hình thống kê và mô hình nơ-ron trong NLP (so sánh mô hình, ứng dụng). Mô hình thống kê có thể hiệu quả hơn khi dữ liệu huấn luyện hạn chế và cần tốc độ xử lý nhanh.

26 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 26: Trong NLP, thuật ngữ *perplexity* dùng để đo lường điều gì?

Độ phức tạp của thuật toán.

Khả năng dự đoán của mô hình ngôn ngữ.

Mức độ mơ hồ của văn bản đầu vào.

Hiệu suất tính toán của mô hình.

Câu hỏi về định nghĩa của perplexity trong NLP (kiến thức, perplexity). Perplexity đo lường khả năng dự đoán của mô hình ngôn ngữ.

27 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 27: Ứng dụng nào sau đây thể hiện việc kết hợp NLP với *xử lý ảnh*?

Phân tích cảm xúc từ giọng nói.

Dịch văn bản từ hình ảnh.

Tạo mô tả văn bản cho video.

Nhận dạng ký tự quang học (OCR) để trích xuất văn bản từ hình ảnh.

Câu hỏi về ứng dụng kết hợp NLP và xử lý ảnh (ứng dụng kết hợp). Nhận dạng ký tự quang học (OCR) kết hợp xử lý ảnh để nhận diện văn bản trong ảnh, sau đó dùng NLP để xử lý văn bản.

28 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 28: Khi xây dựng hệ thống *hỏi đáp tự động* (question answering system), bước quan trọng đầu tiên thường là gì?

Xây dựng cơ sở dữ liệu tri thức.

Huấn luyện mô hình sinh câu trả lời.

Phân tích câu hỏi để xác định ý định và thông tin cần tìm.

Thu thập dữ liệu huấn luyện cho mô hình.

Câu hỏi về bước đầu tiên trong hệ thống hỏi đáp (ứng dụng hỏi đáp, quy trình). Phân tích câu hỏi để hiểu loại câu hỏi và thông tin cần tìm là bước đầu tiên.

29 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 29: Để cải thiện khả năng *suy luận* của mô hình NLP, hướng nghiên cứu nào đang được chú trọng hiện nay?

Tăng kích thước mô hình (số lượng tham số).

Tích hợp tri thức bên ngoài (knowledge graph) vào mô hình.

Sử dụng nhiều lớp attention hơn.

Huấn luyện mô hình trên dữ liệu lớn hơn nữa.

Câu hỏi về hướng nghiên cứu cải thiện suy luận trong NLP (hướng nghiên cứu, suy luận). Tích hợp tri thức bên ngoài (knowledge graph) giúp mô hình suy luận tốt hơn.

30 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 10

Câu 30: Trong lĩnh vực NLP, *đạo đức và trách nhiệm* trở nên ngày càng quan trọng. Vấn đề đạo đức nào sau đây *không* liên quan trực tiếp đến NLP?

Thiên kiến (bias) trong dữ liệu và mô hình dẫn đến phân biệt đối xử.

Sử dụng NLP cho mục đích xâm phạm quyền riêng tư.

Ô nhiễm môi trường do tiêu thụ năng lượng của các trung tâm dữ liệu.

Phát tán thông tin sai lệch (fake news) và tin giả thông qua sinh văn bản tự động.

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi về đạo đức trong NLP, xác định vấn đề không liên quan (đạo đức, phân loại vấn đề). Ô nhiễm môi trường không phải là vấn đề đạo đức trực tiếp liên quan đến NLP, các vấn đề khác như thiên kiến, xâm phạm quyền riêng tư, tin giả đều có liên quan.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Trắc nghiệm Xử lí ngôn ngữ tự nhiên - Đề 11

1 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 1: Trong xử lý ngôn ngữ tự nhiên (NLP), quá trình chia một đoạn văn bản thành các đơn vị nhỏ hơn như từ, cụm từ, hoặc ký hiệu được gọi là gì?

Stemming

Lemmatization

Tokenization

Parsing

Câu hỏi kiểm tra kiến thức cơ bản về bước tiền xử lý văn bản trong NLP. Tokenization (Mã hóa/Chia token) là quá trình phân tách văn bản thành các đơn vị cơ bản.

2 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 2: Bạn đang xây dựng một hệ thống phân loại email thành 'Thư rác' và 'Không phải thư rác'. Sau khi tiền xử lý, bạn cần biểu diễn mỗi email dưới dạng số để đưa vào mô hình học máy. Kỹ thuật nào sau đây đơn giản nhất để biểu diễn văn bản, chỉ dựa vào tần suất xuất hiện của các từ trong mỗi email?

Bag-of-Words (BoW)

TF-IDF

Word Embeddings (Ví dụ: Word2Vec)

Sequence-to-sequence models

Câu hỏi kiểm tra khả năng áp dụng các kỹ thuật biểu diễn văn bản cơ bản. Bag-of-Words (Túi từ) là phương pháp biểu diễn văn bản bằng cách đếm tần suất các từ xuất hiện, bỏ qua thứ tự từ.

3 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 3: Một từ có thể có nhiều nghĩa khác nhau tùy thuộc vào ngữ cảnh (ví dụ: 'bank' trong 'river bank' và 'commercial bank'). Nhiệm vụ NLP nào tập trung vào việc xác định ý nghĩa chính xác của một từ dựa trên ngữ cảnh của nó?

Named Entity Recognition (NER)

Part-of-Speech (POS) Tagging

Coreference Resolution

Word Sense Disambiguation (WSD)

Câu hỏi kiểm tra kiến thức về các nhiệm vụ xử lý ngôn ngữ. Word Sense Disambiguation (Giải mơ hồ nghĩa từ) là nhiệm vụ giải quyết vấn đề đa nghĩa của từ.

4 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 4: Khi phân tích cú pháp (parsing) một câu, có hai hướng tiếp cận chính: phân tích phụ thuộc (dependency parsing) và phân tích thành phần (constituency parsing). Điểm khác biệt cốt lõi giữa hai phương pháp này là gì?

Phân tích phụ thuộc chỉ dùng cho ngôn ngữ có cấu trúc cố định, phân tích thành phần dùng cho ngôn ngữ linh hoạt.

Phân tích phụ thuộc xác định mối quan hệ 'đầu-phụ thuộc' giữa các từ, phân tích thành phần xác định cấu trúc phân cấp của các cụm từ.

Phân tích phụ thuộc nhanh hơn, phân tích thành phần chính xác hơn.

Phân tích phụ thuộc sử dụng mô hình thống kê, phân tích thành phần sử dụng luật ngữ pháp hình thức.

Câu hỏi yêu cầu phân tích và so sánh hai phương pháp parsing. Phân tích phụ thuộc tập trung vào mối quan hệ 'đầu-phụ thuộc' giữa các từ, trong khi phân tích thành phần xây dựng cấu trúc cây phân cấp dựa trên các cụm từ.

5 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 5: Bạn đang phát triển một chatbot hỗ trợ khách hàng. Khi người dùng nhập câu hỏi như 'Tôi muốn đổi trả sản phẩm này', chatbot cần xác định 'đổi trả sản phẩm' là hành động chính mà người dùng muốn thực hiện. Nhiệm vụ NLP nào phù hợp nhất để trích xuất thông tin 'đổi trả sản phẩm' như là ý định (intent) của người dùng?

Sentiment Analysis

Named Entity Recognition (NER)

Intent Recognition

Text Summarization

Câu hỏi yêu cầu áp dụng kiến thức về các nhiệm vụ NLP vào một kịch bản thực tế (chatbot). Intent Recognition (Nhận dạng ý định) là nhiệm vụ cốt lõi trong NLU (Natural Language Understanding) cho phép hệ thống hiểu mục đích của người dùng.

6 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 6: Để đánh giá hiệu quả của một mô hình phân loại văn bản (ví dụ: phân loại bình luận tích cực/tiêu cực), ta thường sử dụng các chỉ số như Precision, Recall và F1-score. Trong trường hợp dữ liệu không cân bằng (ví dụ: rất ít bình luận tiêu cực), chỉ số nào sau đây phản ánh tốt nhất khả năng của mô hình tìm ra *tất cả* các bình luận tiêu cực thực sự?

Precision

Recall

Accuracy

F1-score

Câu hỏi kiểm tra khả năng phân tích và lựa chọn chỉ số đánh giá phù hợp trong NLP, đặc biệt trong trường hợp dữ liệu không cân bằng. Recall (Độ nhạy) đo lường tỷ lệ các trường hợp dương tính thực sự được mô hình nhận diện đúng.

7 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 7: Các mô hình nhúng từ (Word Embeddings) như Word2Vec, GloVe tạo ra các vector mật độ biểu diễn sê-man-tích của từ. Thuộc tính đáng chú ý nào của các vector này giúp chúng hữu ích trong nhiều tác vụ NLP?

Chúng là các vector thưa (sparse vectors).

Mỗi từ được biểu diễn bởi một vector duy nhất, bất kể ngữ cảnh.

Khoảng cách Euclidean giữa các vector biểu thị độ dài của từ.

Chúng có khả năng biểu diễn mối quan hệ sê-man-tích và cú pháp giữa các từ.

Câu hỏi kiểm tra hiểu biết về đặc điểm của Word Embeddings. Khả năng biểu diễn mối quan hệ sê-man-tích và cú pháp thông qua các phép toán vector (ví dụ: vector('king') - vector('man') + vector('woman') ≈ vector('queen')) là một thuộc tính quan trọng.

8 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 8: Cho đoạn văn sau: "Ông Nguyễn Văn A, CEO của công ty B tại Hà Nội, sẽ tham dự hội nghị ở TP.HCM vào tuần tới." Nhiệm vụ Named Entity Recognition (NER) sẽ xác định những thực thể nào trong đoạn văn này?

Nguyễn Văn A (Người), công ty B (Tổ chức), Hà Nội (Địa điểm), TP.HCM (Địa điểm), tuần tới (Thời gian).

Ông (Danh xưng), CEO (Chức danh), hội nghị (Sự kiện).

sẽ tham dự (Hành động), ở (Giới từ), vào (Giới từ).

Tất cả các từ trong câu.

Câu hỏi yêu cầu áp dụng NER vào một đoạn văn cụ thể. NER xác định và phân loại các thực thể có tên như Tên người, Tên tổ chức, Địa điểm, Ngày tháng, v.v.

9 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 9: Mô hình Transformer đã tạo ra bước đột phá lớn trong NLP nhờ cơ chế Attention (Chú ý). Cơ chế này giúp mô hình giải quyết vấn đề gì mà các mạng RNN/LSTM gặp phải khi xử lý các chuỗi dài?

Khó khăn trong việc xử lý các từ đồng âm khác nghĩa.

Tốc độ đào tạo chậm.

Khả năng nắm bắt các phụ thuộc giữa các từ ở khoảng cách xa trong chuỗi (long-range dependencies).

Vấn đề bùng nổ gradient (exploding gradient).

Câu hỏi kiểm tra kiến thức về kiến trúc Transformer và lợi ích của cơ chế Attention. Attention cho phép mô hình tập trung vào các phần quan trọng của chuỗi đầu vào, vượt qua hạn chế của RNN/LSTM trong việc ghi nhớ thông tin ở khoảng cách xa (vấn đề phụ thuộc xa).

10 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 10: Bạn đang xây dựng một hệ thống tóm tắt văn bản tự động. Hệ thống này cần đọc một bài báo dài và tạo ra một đoạn tóm tắt ngắn gọn nhưng vẫn giữ được ý chính. Đây là một ví dụ về nhiệm vụ NLP nào?

Question Answering

Text Summarization

Machine Translation

Sentiment Analysis

Câu hỏi yêu cầu nhận diện nhiệm vụ NLP dựa trên mô tả chức năng. Text Summarization (Tóm tắt văn bản) là quá trình tạo ra phiên bản ngắn hơn của văn bản gốc.

11 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 11: Mô hình ngôn ngữ BERT (Bidirectional Encoder Representations from Transformers) khác biệt đáng kể so với các mô hình nhúng từ truyền thống (như Word2Vec) ở điểm nào?

BERT sử dụng kiến trúc RNN thay vì Transformer.

BERT được đào tạo trên tập dữ liệu nhỏ hơn Word2Vec.

BERT chỉ tạo ra biểu diễn cho các từ đã thấy trong tập huấn luyện.

BERT tạo ra biểu diễn từ phụ thuộc vào ngữ cảnh, trong khi Word2Vec tạo ra biểu diễn cố định.

Câu hỏi yêu cầu so sánh BERT với các mô hình tiền nhiệm. BERT tạo ra các biểu diễn từ *phụ thuộc vào ngữ cảnh* bằng cách xem xét cả hai hướng (trái và phải) của từ trong câu, trong khi Word2Vec tạo ra biểu diễn *cố định* cho mỗi từ.

12 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 12: Khi xử lý văn bản tiếng Việt, việc loại bỏ các từ phổ biến nhưng ít mang ý nghĩa phân biệt như 'là', 'và', 'của' được gọi là gì?

Removing Stop Words

Tokenization

Stemming

Lemmatization

Câu hỏi kiểm tra kiến thức về tiền xử lý văn bản, cụ thể là loại bỏ stop words (từ dừng).

13 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 13: Giả sử bạn có một tập dữ liệu các câu và nhãn POS (Part-of-Speech) tương ứng (ví dụ: 'Tôi/PRP đi/VB học/NN'). Bạn muốn xây dựng một mô hình có thể dự đoán nhãn POS cho các câu mới. Nhiệm vụ này thuộc loại bài toán học máy nào?

Phân loại (Classification)

Hồi quy (Regression)

Gán nhãn theo trình tự (Sequence Labeling)

Phân cụm (Clustering)

Câu hỏi yêu cầu phân loại bài toán NLP (POS Tagging) vào loại bài toán học máy tương ứng. POS Tagging là một nhiệm vụ gán nhãn cho từng phần tử trong một chuỗi, đây là đặc trưng của bài toán gán nhãn theo trình tự (Sequence Labeling).

14 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 14: Bạn cần xây dựng một hệ thống dịch máy từ tiếng Anh sang tiếng Việt. Kiến trúc mạng nơ-ron nào sau đây thường được sử dụng phổ biến cho nhiệm vụ này trước khi Transformer trở nên thịnh hành?

Convolutional Neural Network (CNN)

Encoder-Decoder with RNN/LSTM/GRU

Generative Adversarial Network (GAN)

Support Vector Machine (SVM)

Câu hỏi kiểm tra kiến thức về các kiến trúc mô hình trong NLP, đặc biệt là trong dịch máy. Kiến trúc Encoder-Decoder với RNN/LSTM/GRU là kiến trúc tiêu chuẩn cho dịch máy trước kỷ nguyên Transformer.

15 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 15: Khi tính toán TF-IDF cho một từ trong một tài liệu thuộc một tập hợp tài liệu lớn, giá trị IDF (Inverse Document Frequency) của từ đó phản ánh điều gì?

Tần suất xuất hiện của từ trong tài liệu hiện tại.

Tổng số lần từ xuất hiện trong toàn bộ tập hợp tài liệu.

Mức độ hiếm gặp của từ trong toàn bộ tập hợp tài liệu.

Chiều dài trung bình của các tài liệu chứa từ đó.

Câu hỏi kiểm tra hiểu biết về thành phần IDF trong kỹ thuật TF-IDF. IDF đo lường mức độ hiếm gặp của một từ trong toàn bộ tập hợp tài liệu. Từ càng hiếm thì IDF càng cao.

16 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 16: Giả sử bạn có một tập dữ liệu các bài đánh giá sản phẩm và cần phân loại chúng thành 'tích cực', 'tiêu cực' hoặc 'trung lập'. Bạn quyết định sử dụng mô hình Naive Bayes. Thuật toán này dựa trên giả định đơn giản hóa nào để tính xác suất?

Các đặc trưng (từ) là độc lập với nhau khi biết lớp.

Các lớp có phân phối đồng đều.

Mối quan hệ giữa các từ là tuyến tính.

Tất cả các từ trong từ điển đều xuất hiện ít nhất một lần trong mỗi tài liệu.

Câu hỏi kiểm tra kiến thức về nguyên lý hoạt động của thuật toán Naive Bayes, đặc biệt trong phân loại văn bản. Giả định 'ngây thơ' của nó là các đặc trưng (từ) độc lập với nhau khi biết lớp (tích cực/tiêu cực/trung lập).

17 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 17: Bạn đang xử lý một đoạn văn bản có chứa đại từ như 'anh ấy', 'cô ấy', 'nó'. Nhiệm vụ nào sau đây nhằm xác định danh từ hoặc cụm danh từ mà các đại từ này đang ám chỉ đến?

Named Entity Recognition (NER)

Coreference Resolution

Relation Extraction

Semantic Role Labeling

Câu hỏi kiểm tra kiến thức về nhiệm vụ Coreference Resolution (Giải quyết đồng tham chiếu). Nhiệm vụ này tìm các cụm từ khác nhau trong văn bản cùng ám chỉ một thực thể.

18 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 18: Khi đánh giá một mô hình dịch máy, chỉ số BLEU (Bilingual Evaluation Understudy) thường được sử dụng. Chỉ số này đo lường điều gì?

Độ trôi chảy của bản dịch.

Mức độ giữ lại ý nghĩa gốc của bản dịch.

Tốc độ tạo ra bản dịch.

Mức độ trùng lặp N-gram giữa bản dịch máy và bản dịch tham chiếu.

Câu hỏi kiểm tra kiến thức về chỉ số đánh giá trong dịch máy. BLEU đo lường mức độ trùng lặp N-gram giữa bản dịch được tạo ra và bản dịch tham chiếu của con người, thường được hiểu là đo lường độ chính xác (precision) của bản dịch.

19 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 19: Bạn muốn xây dựng một hệ thống có thể trả lời các câu hỏi dựa trên nội dung của một đoạn văn bản cho trước (ví dụ: Đoạn văn nói về lịch sử APEC; Câu hỏi: 'APEC được thành lập năm nào?'). Đây là một ví dụ về nhiệm vụ NLP nào?

Question Answering

Machine Translation

Text Classification

Text Generation

Câu hỏi yêu cầu nhận diện nhiệm vụ NLP dựa trên kịch bản. Question Answering (Hệ thống hỏi đáp) là nhiệm vụ tìm kiếm hoặc suy luận câu trả lời từ văn bản được cung cấp dựa trên một câu hỏi.

20 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 20: Trong xử lý văn bản tiếng Việt, việc xác định ranh giới của các từ ghép hoặc cụm từ mang ý nghĩa thống nhất (ví dụ: 'chủ tịch', 'nhà nước', 'xử lý ngôn ngữ') trước khi thực hiện các bước tiếp theo (như POS tagging, parsing) được gọi là gì?

Lemmatization

Stemming

Word Segmentation

Sentence Splitting

Câu hỏi kiểm tra kiến thức về tiền xử lý văn bản tiếng Việt. Word Segmentation (Tách từ) là một bước quan trọng vì tiếng Việt không có khoảng trắng phân cách giữa các từ ghép như tiếng Anh.

21 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 21: Bạn đang phân tích một bộ dữ liệu lớn các tweet về một sự kiện. Bạn muốn nhóm c??c tweet có nội dung tương tự nhau lại với nhau mà không có nhãn sẵn. Nhiệm vụ học máy nào phù hợp nhất cho mục đích này?

Phân loại (Classification)

Hồi quy (Regression)

Gán nhãn theo trình tự (Sequence Labeling)

Phân cụm (Clustering)

Câu hỏi yêu cầu áp dụng kiến thức về các loại bài toán học máy trong NLP. Phân cụm (Clustering) là kỹ thuật học không giám sát để nhóm các đối tượng (tweet) dựa trên sự tương đồng của chúng.

22 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 22: Mô hình ngôn ngữ sinh (Generative Language Model) như GPT-3 khác với mô hình ngôn ngữ phân biệt (Discriminative Language Model) ở khả năng chính nào?

Khả năng tạo ra văn bản mới.

Tốc độ xử lý nhanh hơn.

Độ chính xác cao hơn trong các bài toán phân loại.

Ít yêu cầu dữ liệu huấn luyện hơn.

Câu hỏi kiểm tra sự phân biệt giữa mô hình ngôn ngữ sinh và phân biệt. Mô hình sinh có khả năng tạo ra văn bản mới, trong khi mô hình phân biệt chủ yếu dùng để phân loại hoặc dự đoán nhãn cho dữ liệu đã có.

23 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 23: Khi xây dựng một hệ thống nhận dạng giọng nói (Speech Recognition), sau khi chuyển đổi âm thanh thành văn bản, bước tiếp theo nào thường được thực hiện để làm sạch và chuẩn hóa văn bản kết quả trước khi đưa vào các mô hình NLP khác?

Phân tích cú pháp (Parsing).

Tiền xử lý văn bản (Tokenization, loại bỏ stop words, chuẩn hóa).

Nhận dạng thực thể được đặt tên (NER).

Phân tích tình cảm (Sentiment Analysis).

Câu hỏi đặt trong ngữ cảnh của ASR (Nhận dạng giọng nói) và yêu cầu xác định bước tiền xử lý văn bản sau khi chuyển đổi. Các bước tiền xử lý văn bản chung (như tokenization, loại bỏ dấu câu, chuẩn hóa chữ hoa/thường) là cần thiết.

24 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 24: Bạn đang nghiên cứu một phương pháp mới để phát hiện các cụm từ đa từ (multi-word expressions) trong văn bản. Bạn cần một chỉ số để đo mức độ thường xuyên mà hai từ xuất hiện cùng nhau theo một thứ tự nhất định. Chỉ số nào sau đây phù hợp nhất?

Tần suất xuất hiện cùng nhau (Co-occurrence frequency).

TF-IDF.

Cosine Similarity.

Entropy.

Câu hỏi kiểm tra kiến thức về các chỉ số thống kê trong NLP để phân tích mối quan hệ giữa các từ. Collocation measures (Chỉ số cộng hưởng từ) như Pointwise Mutual Information (PMI) hoặc tần suất xuất hiện cùng nhau (co-occurrence frequency) là phù hợp.

25 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 25: Vấn đề 'Out-of-Vocabulary' (OOV) trong NLP đề cập đến điều gì?

Mô hình sử dụng quá nhiều bộ nhớ.

Tập dữ liệu huấn luyện quá nhỏ.

Mô hình dự đoán sai.

Mô hình gặp phải các từ chưa từng thấy trong tập dữ liệu huấn luyện.

Câu hỏi kiểm tra định nghĩa một thuật ngữ phổ biến trong NLP. OOV xảy ra khi mô hình gặp phải từ chưa từng thấy trong tập dữ liệu huấn luyện.

26 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 26: Khi xây dựng một hệ thống phân tích tình cảm (Sentiment Analysis), bạn thu thập dữ liệu từ mạng xã hội. Dữ liệu này thường chứa nhiều tiếng lóng, từ viết tắt, biểu tượng cảm xúc. Bước tiền xử lý nào sau đây *không* phổ biến hoặc có thể *gây hại* cho việc phân tích tình cảm trên loại dữ liệu này?

Chuẩn hóa chữ hoa/chữ thường.

Loại bỏ hoàn toàn Stop Words mà không xem xét ngữ cảnh.

Xử lý/chuẩn hóa biểu tượng cảm xúc (emojis).

Xử lý các từ lặp âm (ví dụ: 'hihihi' -> 'hi').

Câu hỏi yêu cầu phân tích tác động của các bước tiền xử lý trong ngữ cảnh dữ liệu đặc thù (mạng xã hội). Việc loại bỏ stop words có thể loại bỏ các từ phủ định quan trọng ('không') hoặc các từ biểu cảm ('rất', 'quá') ảnh hưởng đến tình cảm.

27 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 27: Bạn đang làm việc với một mô hình ngôn ngữ lớn (LLM) và muốn tinh chỉnh nó (fine-tune) cho một nhiệm vụ cụ thể, ví dụ như tóm tắt văn bản y khoa. Việc tinh chỉnh này thường đòi hỏi điều gì?

Huấn luyện lại mô hình từ đầu trên toàn bộ dữ liệu y khoa.

Chỉ sử dụng mô hình LLM đã đào tạo trước mà không cần thêm dữ liệu.

Sử dụng một tập dữ liệu nhỏ có nhãn cho nhiệm vụ tóm tắt y khoa để tiếp tục huấn luyện mô hình LLM đã đào tạo trước.

Thay đổi hoàn toàn kiến trúc của mô hình LLM.

Câu hỏi kiểm tra kiến thức về fine-tuning LLM. Tinh chỉnh yêu cầu một tập dữ liệu nhỏ hơn nhưng có nhãn cho nhiệm vụ cụ thể, và tiếp tục huấn luyện mô hình LLM đã được đào tạo trước trên tập dữ liệu này.

28 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 28: Trong các mô hình ngôn ngữ dựa trên Transformer, Positional Encoding được sử dụng với mục đích gì?

Cung cấp thông tin về vị trí của từ trong chuỗi.

Giảm số lượng tham số của mô hình.

Giúp mô hình xử lý các từ đồng âm khác nghĩa.

Tăng cường khả năng xử lý các phụ thuộc khoảng cách ngắn.

Câu hỏi kiểm tra kiến thức chuyên sâu hơn về kiến trúc Transformer. Khác với RNN/LSTM, Transformer xử lý các từ song song mà không có thông tin vị trí. Positional Encoding được thêm vào embedding của từ để cung cấp thông tin về vị trí tương đối của từ trong chuỗi.

29 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 29: Bạn đang xây dựng một hệ thống kiểm tra ngữ pháp. Hệ thống này cần xác định các lỗi như sai chính tả, sai ngữ pháp, sử dụng từ không phù hợp. Đây là một ứng dụng của NLP trong lĩnh vực nào?

Information Extraction (Trích xuất thông tin)

Dialogue Systems (Hệ thống hội thoại)

Machine Translation (Dịch máy)

Language Generation and Correction (Tạo và sửa chữa ngôn ngữ)

Câu hỏi yêu cầu nhận diện lĩnh vực ứng dụng của NLP. Kiểm tra ngữ pháp là một phần của lĩnh vực Language Generation and Correction (Tạo và sửa chữa ngôn ngữ).

30 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 11

Câu 30: Khi so sánh kỹ thuật Stemming và Lemmatization trong tiền xử lý văn bản, điểm khác biệt chính là gì?

Stemming nhanh hơn Lemmatization nhưng ít chính xác hơn.

Stemming cắt bỏ hậu tố để đưa về gốc từ (stem) không nhất thiết có nghĩa, trong khi Lemmatization đưa về dạng gốc có nghĩa (lemma) dựa trên từ điển.

Stemming chỉ áp dụng cho động từ, Lemmatization áp dụng cho tất cả các loại từ.

Stemming giữ nguyên ý nghĩa của từ, Lemmatization làm thay đổi ý nghĩa.

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi yêu cầu so sánh hai kỹ thuật tiền xử lý. Stemming cắt bỏ hậu tố (đôi khi tiền tố) một cách thô bạo, có thể tạo ra từ không có nghĩa thực tế. Lemmatization sử dụng từ điển và phân tích hình thái để đưa từ về dạng gốc có nghĩa (lemma).

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Trắc nghiệm Xử lí ngôn ngữ tự nhiên - Đề 12

1 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 1: Giả sử bạn đang xây dựng một hệ thống phân tích tình cảm cho các bình luận sản phẩm. Bước tiền xử lý nào sau đây có khả năng giúp giảm số lượng từ vựng (vocabulary size) mà không làm mất đi ý nghĩa cốt lõi của từ vựng đó trong ngữ cảnh này?

Tokenization (Tách từ)

Lemmatization (Phân tích từ nguyên)

Stop word removal (Loại bỏ từ dừng)

Named Entity Recognition (Nhận dạng thực thể có tên)

Câu hỏi kiểm tra khả năng áp dụng kiến thức về các kỹ thuật tiền xử lý. Lemmatization (phân tích từ nguyên) đưa từ về dạng gốc có nghĩa (lemma), giúp giảm thiểu biến thể của từ mà vẫn giữ được ý nghĩa ngữ pháp/ngữ nghĩa, phù hợp cho việc phân tích tình cảm hơn là Stemming (cắt bỏ hậu tố) vốn có thể tạo ra từ không có nghĩa.

2 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 2: Bạn có hai đoạn văn bản A và B. Đoạn A: 'Máy học là một lĩnh vực hấp dẫn.' Đoạn B: 'Xử lý ngôn ngữ tự nhiên là một lĩnh vực con của trí tuệ nhân tạo và máy học.' Nếu sử dụng biểu diễn Bag-of-Words (BoW) với từ điển là tất cả các từ duy nhất trong cả hai đoạn (sau khi loại bỏ dấu câu và chuyển về chữ thường), vectơ biểu diễn cho Đoạn A sẽ trông như thế nào (với thứ tự từ trong từ điển bất kỳ)?

[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0]

[1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0]

Một vectơ mà các vị trí tương ứng với 'máy', 'học', 'là', 'một', 'lĩnh', 'vực', 'hấp', 'dẫn' có giá trị 1, còn lại là 0.

Một vectơ có các giá trị khác 0 chỉ ở các vị trí tương ứng với 'máy', 'học', 'ngôn', 'ngữ', 'tự', 'nhiên'.

Câu hỏi kiểm tra khả năng áp dụng biểu diễn BoW. Biểu diễn BoW đếm tần suất xuất hiện của mỗi từ trong văn bản. Đoạn A có các từ: 'máy', 'học', 'là', 'một', 'lĩnh', 'vực', 'hấp', 'dẫn'. Mỗi từ xuất hiện 1 lần. Các phương án khác không phản ánh đúng tần suất này hoặc bao gồm các từ không có trong Đoạn A.

3 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 3: Biểu diễn TF-IDF (Term Frequency-Inverse Document Frequency) khắc phục hạn chế nào của biểu diễn Bag-of-Words đơn giản chỉ dựa vào tần suất từ (Term Frequency)?

Nó giảm thiểu ảnh hưởng của các từ phổ biến xuất hiện trong nhiều tài liệu.

Nó giữ được thứ tự xuất hiện của các từ trong văn bản.

Nó biểu diễn được mối quan hệ ngữ pháp giữa các từ.

Nó có kích thước từ vựng nhỏ hơn BoW.

Câu hỏi kiểm tra khả năng phân tích ưu điểm của TF-IDF so với BoW. TF-IDF giảm trọng số của các từ xuất hiện phổ biến trong nhiều tài liệu (IDF cao) và tăng trọng số của các từ đặc trưng cho một tài liệu cụ thể (TF cao), giúp phân biệt tài liệu tốt hơn BoW chỉ đếm tần suất đơn thuần.

4 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 4: Bạn đang xây dựng một mô hình ngôn ngữ để dự đoán từ tiếp theo trong một chuỗi. Mô hình N-gram (ví dụ: Bigram) hoạt động dựa trên giả định nào?

Xác suất của một từ chỉ phụ thuộc vào tất cả các từ đã xuất hiện trước đó trong chuỗi.

Các từ trong chuỗi xuất hiện hoàn toàn độc lập với nhau.

Xác suất của một từ chỉ phụ thuộc vào ngữ cảnh toàn cục của văn bản.

Xác suất của một từ chỉ phụ thuộc vào một số lượng cố định các từ đứng ngay trước nó.

Câu hỏi kiểm tra kiến thức cơ bản về mô hình N-gram. Mô hình N-gram dựa trên giả định Markov, rằng xác suất xuất hiện của một từ chỉ phụ thuộc vào N-1 từ đứng ngay trước nó, không phải toàn bộ lịch sử chuỗi.

5 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 5: So với các mạng nơ-ron hồi quy (RNN) truyền thống, kiến trúc Transformer (và các mô hình dựa trên nó như BERT, GPT) có ưu điểm vượt trội nào trong xử lý các chuỗi văn bản dài?

Khả năng xử lý song song tốt hơn và nắm bắt phụ thuộc giữa các từ ở khoảng cách xa (long-range dependencies) hiệu quả hơn.

Yêu cầu ít dữ liệu huấn luyện hơn đáng kể.

Luôn có số lượng tham số ít hơn các mô hình RNN.

Không cần bất kỳ bước tiền xử lý nào trên dữ liệu đầu vào.

Câu hỏi kiểm tra khả năng phân tích ưu điểm của kiến trúc Transformer. Cơ chế Attention trong Transformer cho phép mô hình xử lý song song và nắm bắt mối quan hệ giữa các từ ở khoảng cách xa trong chuỗi mà không bị hạn chế bởi tính tuần tự như RNN, giải quyết vấn đề phụ thuộc xa (long-range dependencies).

6 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 6: Bạn nhận được kết quả phân tích tình cảm cho một tập hợp các bình luận. Mô hình trả về kết quả: Bình luận 1: 'Sản phẩm tuyệt vời!', Dự đoán: Tích cực (Positive). Bình luận 2: 'Giao hàng chậm.', Dự đoán: Tiêu cực (Negative). Bình luận 3: 'Không tệ.', Dự đoán: Trung tính (Neutral). Bình luận 4: 'Rất tốt!', Dự đoán: Tiêu cực (Negative). Nếu thực tế Bình luận 4 là Tích cực, thì trong trường hợp này, mô hình đã mắc lỗi gì đối với Bình luận 4?

True Positive (Dương tính thật)

True Negative (Âm tính thật)

False Negative (Âm tính giả)

False Positive (Dương tính giả)

Câu hỏi kiểm tra khả năng áp dụng kiến thức về các loại lỗi phân loại. Mô hình dự đoán là Tiêu cực (Negative) nhưng thực tế là Tích cực (Positive). Đây là trường hợp False Negative (Âm tính giả) nếu ta coi lớp Tích cực là lớp quan tâm (Positive class). Nếu coi Tiêu cực là lớp quan tâm, đây là False Positive. Tuy nhiên, bối cảnh thường là phân loại nhị phân Tích cực/Tiêu cực, và lỗi phổ biến cần xác định là khi mô hình dự đoán sai so với nhãn thực tế. Trong các lựa chọn, 'False Negative' mô tả chính xác việc mô hình dự đoán 'Negative' trong khi nhãn thực tế là 'Positive'.

7 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 7: Trong nhiệm vụ Nhận dạng thực thể có tên (Named Entity Recognition - NER), mục tiêu chính là gì?

Xác định cấu trúc ngữ pháp của câu.

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

Xác định ý nghĩa của từ trong ngữ cảnh.

Tóm tắt nội dung chính của văn bản.

Câu hỏi kiểm tra kiến thức cốt lõi về NER. NER nhằm mục đích xác định và phân loại các thực thể có tên trong văn bản thành các loại định trước như tên người, tổ chức, địa điểm, ngày tháng, v.v.

8 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 8: Bạn đang so sánh hai mô hình phân loại văn bản. Mô hình A có Precision cao nhưng Recall thấp. Mô hình B có Precision thấp nhưng Recall cao. Bạn nên chọn mô hình nào nếu nhiệm vụ của bạn là xác định tất cả các email spam có thể (chấp nhận một số email không phải spam bị đánh dấu nhầm) để đưa vào thư mục Spam?

Mô hình A, vì nó ít đánh dấu nhầm email không phải spam.

Mô hình B, vì nó có khả năng tìm thấy hầu hết các email spam.

Cả hai mô hình đều không phù hợp.

Cần thêm thông tin về độ chính xác tổng thể (Accuracy).

Câu hỏi kiểm tra khả năng áp dụng kiến thức về các chỉ số đánh giá. Trong trường hợp lọc spam, việc bỏ sót email spam (False Negative) là nghiêm trọng hơn việc đánh dấu nhầm một email không phải spam là spam (False Positive - có thể kiểm tra lại). Recall (Độ phủ) đo lường khả năng tìm thấy tất cả các trường hợp dương tính thực tế. Do đó, cần ưu tiên mô hình có Recall cao để bắt được càng nhiều spam càng tốt.

9 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 9: Xét câu sau: 'Hà Nội là thủ đô của Việt Nam.' Nếu thực hiện Part-of-Speech Tagging (Gán nhãn từ loại), 'Hà Nội' có khả năng cao sẽ được gán nhãn là gì?

Động từ (Verb)

Tính từ (Adjective)

Danh từ riêng (Proper Noun)

Giới từ (Preposition)

Câu hỏi kiểm tra khả năng áp dụng kiến thức về POS Tagging. 'Hà Nội' là tên riêng của một địa điểm, trong ngữ pháp đóng vai trò như một danh từ riêng.

10 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 10: Khi sử dụng Word Embeddings (như Word2Vec, GloVe), điều gì được kỳ vọng sẽ xảy ra với các vectơ biểu diễn của các từ có mối quan hệ ngữ nghĩa hoặc ngữ pháp tương tự?

Các vectơ của chúng sẽ gần nhau trong không gian vectơ.

Các vectơ của chúng sẽ hoàn toàn giống nhau.

Các vectơ của chúng sẽ vuông góc với nhau.

Không có mối liên hệ nào giữa vị trí vectơ và ý nghĩa từ.

Câu hỏi kiểm tra khả năng phân tích đặc tính của Word Embeddings. Word embeddings học cách biểu diễn từ vựng dưới dạng vectơ sao cho các từ có ngữ cảnh hoặc mối quan hệ tương tự trong dữ liệu huấn luyện sẽ có vectơ gần nhau trong không gian vectơ.

11 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 11: Cơ chế Attention (Chú ý) trong các mô hình NLP hiện đại (như Transformer) giúp giải quyết vấn đề gì chính mà các mô hình RNN/LSTM gặp phải khi xử lý chuỗi dài?

Giảm kích thước từ vựng đầu vào.

Ngăn chặn hiện tượng overfitting (quá khớp).

Tăng tốc độ huấn luyện trên các chuỗi ngắn.

Giúp mô hình tập trung vào các phần thông tin liên quan nhất trong chuỗi đầu vào khi tạo ra đầu ra tương ứng.

Câu hỏi kiểm tra khả năng phân tích vai trò của Attention. Attention cho phép mô hình tập trung vào các phần quan trọng nhất của đầu vào khi xử lý từng phần của đầu ra, đặc biệt hữu ích khi xử lý các phụ thuộc xa trong chuỗi, điều mà RNN/LSTM gặp khó khăn do cơ chế bộ nhớ tuần tự của chúng.

12 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 12: Bạn đang xây dựng một chatbot đơn giản. Cách tiếp cận nào sau đây thường được coi là tiếp cận 'rule-based' (dựa trên luật)?

Định nghĩa các mẫu câu hỏi và các câu trả lời được lập trình sẵn cho từng mẫu.

Sử dụng mô hình học sâu để sinh ra câu trả lời mới hoàn toàn.

Tìm kiếm câu trả lời phù hợp nhất từ một kho dữ liệu các cặp hỏi-đáp đã có.

Kết hợp nhiều kỹ thuật NLP phức tạp như phân tích cú pháp, ngữ nghĩa sâu.

Câu hỏi kiểm tra kiến thức về các loại chatbot. Chatbot dựa trên luật hoạt động bằng cách định nghĩa trước các mẫu (pattern) câu hỏi và các câu trả lời tương ứng. Khi câu hỏi của người dùng khớp với một mẫu, chatbot sẽ trả về câu trả lời được gán cho mẫu đó.

13 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 13: Khi đánh giá một mô hình dịch máy, chỉ số BLEU (Bilingual Evaluation Understudy) được sử dụng phổ biến. Chỉ số này chủ yếu đo lường khía cạnh nào của bản dịch?

Tính trôi chảy (fluency) của bản dịch.

Mức độ trùng khớp (precision) của các cụm từ trong bản dịch với bản dịch tham chiếu.

Khả năng nắm bắt toàn bộ ý nghĩa của văn bản gốc (recall).

Tính sáng tạo và tự nhiên của câu văn được sinh ra.

Câu hỏi kiểm tra kiến thức về chỉ số đánh giá dịch máy. BLEU đo lường mức độ 'chính xác' của bản dịch bằng cách so sánh sự trùng lặp của các N-gram (chuỗi N từ liên tiếp) giữa bản dịch tự động và một hoặc nhiều bản dịch tham chiếu của con người.

14 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 14: Trong phân tích cú pháp phụ thuộc (Dependency Parsing), mối quan hệ giữa hai từ trong câu được biểu diễn bằng một mũi tên chỉ từ từ phụ thuộc (dependent) đến từ chủ đạo (head/governor). Xét câu: 'Tôi ăn táo.' Mối quan hệ phụ thuộc giữa 'ăn' và 'táo' có khả năng cao là gì?

obj (object - tân ngữ), từ 'táo' đến 'ăn'.

nsubj (nominal subject - chủ ngữ danh nghĩa), từ 'Tôi' đến 'ăn'.

det (determiner - từ hạn định), từ 'tôi' đến 'ăn'.

amod (adjectival modifier - bổ ngữ tính từ), từ 'ăn' đến 'táo'.

Câu hỏi kiểm tra khả năng áp dụng kiến thức về Dependency Parsing. Trong câu 'Tôi ăn táo', 'táo' là tân ngữ bị tác động bởi hành động 'ăn'. Mối quan hệ phổ biến là 'obj' (object - tân ngữ), với mũi tên từ 'táo' (phụ thuộc) đến 'ăn' (chủ đạo).

15 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 15: Một thách thức lớn trong Xử lý ngôn ngữ tự nhiên là hiện tượng đa nghĩa của từ (Word Sense Disambiguation - WSD). Xét từ 'bank' trong hai câu sau: 1. 'I need to go to the bank to deposit money.' 2. 'We had a picnic on the river bank.' Vấn đề đa nghĩa ở đây là gì?

Từ 'bank' là một từ dừng (stop word) và nên được loại bỏ.

Từ 'bank' là một thực thể có tên (Named Entity).

Từ 'bank' có cùng từ loại (Part-of-Speech) trong cả hai câu.

Từ 'bank' có nhiều nghĩa khác nhau và ngữ cảnh giúp xác định nghĩa đúng.

Câu hỏi kiểm tra khả năng nhận diện và phân tích vấn đề WSD. Từ 'bank' có nhiều nghĩa khác nhau ('ngân hàng' và 'bờ sông'). WSD là nhiệm vụ xác định nghĩa đúng của từ dựa vào ngữ cảnh câu chứa nó.

16 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 16: Khi huấn luyện một mô hình phân loại văn bản, nếu dữ liệu huấn luyện của bạn chứa rất nhiều ví dụ về một lớp nhất định (ví dụ: 95% tài liệu thuộc lớp A và chỉ 5% thuộc lớp B), mô hình của bạn có thể gặp phải vấn đề gì?

Mô hình sẽ bị overfitting (quá khớp) trên lớp thiểu số.

Mô hình sẽ học được cách phân loại lớp thiểu số rất tốt.

Mô hình có thể thiên về dự đoán lớp chiếm đa số và hoạt động kém trên lớp thiểu số (vấn đề mất cân bằng lớp).

Vấn đề này chỉ xảy ra với dữ liệu hình ảnh, không phải văn bản.

Câu hỏi kiểm tra khả năng phân tích vấn đề trong dữ liệu huấn luyện. Dữ liệu mất cân bằng lớp (class imbalance) khiến mô hình có xu hướng thiên về dự đoán lớp chiếm đa số (lớp A), dẫn đến hiệu suất kém đối với lớp thiểu số (lớp B), ngay cả khi độ chính xác tổng thể (accuracy) có vẻ cao.

17 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 17: Kỹ thuật nào sau đây thường được sử dụng để giảm chiều dữ liệu (dimensionality reduction) cho các biểu diễn văn bản có chiều cao (ví dụ: vectơ TF-IDF của một kho ngữ liệu lớn), giúp cải thiện hiệu quả tính toán và đôi khi là hiệu suất mô hình?

Phân tích thành phần chính (PCA) hoặc Phân tích ngữ nghĩa tiềm ẩn (LSA).

Stemming và Lemmatization.

Tokenization.

Named Entity Recognition (NER).

Câu hỏi kiểm tra kiến thức về các kỹ thuật giảm chiều dữ liệu trong NLP. PCA (Phân tích thành phần chính) và LSA (Phân tích ngữ nghĩa tiềm ẩn - còn được gọi là LSI) là các kỹ thuật phổ biến để giảm chiều dữ liệu, đặc biệt là với các biểu diễn ma trận term-document hoặc TF-IDF.

18 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 18: Trong một mô hình dịch máy dựa trên kiến trúc Encoder-Decoder, vai trò chính của Encoder là gì?

Sinh ra câu dịch cuối cùng bằng ngôn ngữ đích.

Xử lý câu đầu vào bằng ngôn ngữ nguồn và tạo ra biểu diễn ngữ cảnh.

So sánh câu đầu v??o với câu dịch tham chiếu.

Thực hiện tiền xử lý dữ liệu như tokenization và stemming.

Câu hỏi kiểm tra kiến thức về kiến trúc Encoder-Decoder. Encoder xử lý câu đầu vào (input sentence) bằng ngôn ngữ nguồn và chuyển đổi nó thành một biểu diễn vector ngữ cảnh (context vector) hoặc một chuỗi các biểu diễn (trong kiến trúc có Attention) chứa thông tin về toàn bộ câu đầu vào.

19 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 19: Bạn đang cố gắng trích xuất các cặp (người, tổ chức công tác) từ các bản tin tức. Ví dụ: 'Ông Nguyễn Văn A, giám đốc công ty B, đã phát biểu...' Bạn cần áp dụng kỹ thuật NLP nào để thực hiện nhiệm vụ này một cách hiệu quả?

Sentiment Analysis (Phân tích tình cảm)

Topic Modeling (Mô hình hóa chủ đề)

Text Summarization (Tóm tắt văn bản)

Relation Extraction (Trích xuất quan hệ)

Câu hỏi kiểm tra khả năng áp dụng kỹ thuật cho bài toán cụ thể. Trích xuất các mối quan hệ (ví dụ: làm việc cho, sống tại) giữa các thực thể đã được nhận dạng (người, tổ chức) là nhiệm vụ chính của Relation Extraction (Trích xuất quan hệ).

20 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 20: Khi đánh giá một mô hình ngôn ngữ sinh văn bản (Text Generation Model), chỉ số Perplexity (Độ phức tạp) có ý nghĩa là gì?

Đo lường mức độ 'bất ngờ' của mô hình đối với dữ liệu kiểm tra; giá trị thấp hơn thường tốt hơn.

Đo lường tốc độ sinh văn bản của mô hình.

Đo lường số lượng từ vựng mà mô hình có thể sinh ra.

Đo lường mức độ trùng lặp của văn bản được sinh ra so với dữ liệu huấn luyện.

Câu hỏi kiểm tra kiến thức về chỉ số đánh giá mô hình ngôn ngữ. Perplexity đo lường mức độ 'bất ngờ' trung bình của mô hình đối với một chuỗi văn bản. Giá trị Perplexity thấp hơn cho thấy mô hình dự đoán chuỗi văn bản đó 'tốt hơn' hoặc 'tự tin hơn', thường được coi là dấu hiệu của một mô hình ngôn ngữ tốt hơn.

21 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 21: Transfer Learning (Học chuyển giao) là một kỹ thuật mạnh mẽ trong NLP hiện đại. Việc sử dụng các mô hình ngôn ngữ lớn được huấn luyện trước (Pre-trained Language Models) như BERT, GPT cho các nhiệm vụ cụ thể (ví dụ: phân loại văn bản, NER) là một ví dụ điển hình của Transfer Learning. Tại sao cách tiếp cận này lại hiệu quả?

Các mô hình huấn luyện trước có kích thước nhỏ hơn và nhanh hơn.

Chúng loại bỏ hoàn toàn nhu cầu về dữ liệu nhãn cho các nhiệm vụ cụ thể.

Chúng đã học được các biểu diễn ngôn ngữ mạnh mẽ từ lượng lớn dữ liệu không nhãn và có thể được tinh chỉnh hiệu quả cho các nhiệm vụ cụ thể với ít dữ liệu nhãn hơn.

Chúng chỉ hoạt động tốt cho các ngôn ngữ sử dụng bảng chữ cái Latin.

Câu hỏi kiểm tra khả năng phân tích lợi ích của Transfer Learning. Các mô hình lớn được huấn luyện trước trên lượng lớn dữ liệu văn bản không nhãn học được các biểu diễn ngôn ngữ tổng quát và mạnh mẽ. Việc tinh chỉnh (fine-tuning) các mô hình này trên dữ liệu nhãn ít hơn cho nhiệm vụ cụ thể giúp tận dụng kiến thức đã học, thường đạt hiệu suất cao hơn so với việc huấn luyện mô hình từ đầu.

22 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 22: Bạn đang xây dựng một hệ thống phân loại email thành 'Công việc' và 'Cá nhân'. Bên cạnh nội dung email, đặc điểm nào sau đây (feature) có thể hữu ích để cải thiện hiệu suất phân loại?

Tổng số ký tự trong email.

Địa chỉ email của người gửi.

Số lượng nguyên âm trong email.

Màu sắc nền của email.

Câu hỏi kiểm tra khả năng tư duy về Feature Engineering. Ngoài nội dung, các thông tin phi văn bản như người gửi (sender) thường là một đặc điểm rất mạnh để phân loại email là công việc hay cá nhân.

23 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 23: Biểu thức chính quy (Regular Expression - Regex) `/^d{3}-d{3}-d{4}$/` sẽ khớp với chuỗi nào sau đây?

abc-123-4567

1234-567-890

123-456-7890

1234567890

Câu hỏi kiểm tra khả năng đọc và hiểu Regex cơ bản. `^` khớp với đầu chuỗi, `d{3}` khớp với 3 chữ số, `-` khớp với ký tự gạch ngang, `d{4}` khớp với 4 chữ số, `$` khớp với cuối chuỗi. Biểu thức này khớp với định dạng số điện thoại `XXX-XXX-XXXX`.

24 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 24: Mô hình hóa chủ đề (Topic Modeling), ví dụ sử dụng LDA (Latent Dirichlet Allocation), giúp chúng ta khám phá điều gì từ một tập hợp lớn các tài liệu văn bản?

Cấu trúc ngữ pháp chi tiết của từng câu.

Tình cảm (tích cực/tiêu cực) của mỗi tài liệu.

Các thực thể có tên (người, địa điểm) trong mỗi tài liệu.

Các chủ đề chính và các từ liên quan đến từng chủ đề xuất hiện trong tập tài liệu.

Câu hỏi kiểm tra kiến thức về Topic Modeling. Topic Modeling là kỹ thuật phân tích thống kê để khám phá các 'chủ đề' tiềm ẩn trong một kho ngữ liệu, trong đó mỗi chủ đề được đặc trưng bởi một phân phối các từ và mỗi tài liệu được đặc trưng bởi một phân phối các chủ đề.

25 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 25: Khi xử lý văn bản trên Twitter, bạn thường gặp phải các ký tự đặc biệt, hashtag (ví dụ: #NLP), mention (ví dụ: @user), và biểu tượng cảm xúc (emojis). Bước tiền xử lý nào là cần thiết để chuẩn hóa hoặc xử lý các yếu tố này trước khi đưa vào mô hình?

Làm sạch và chuẩn hóa văn bản (Text Cleaning and Normalization).

Stemming.

Part-of-Speech Tagging.

Named Entity Recognition.

Câu hỏi kiểm tra khả năng áp dụng tiền xử lý trong ngữ cảnh cụ thể. Twitter data có nhiều đặc điểm riêng. Các bước như làm sạch (loại bỏ ký tự không mong muốn), tách biệt hoặc chuẩn hóa hashtag/mention/emoji là rất quan trọng và thuộc về giai đoạn làm sạch và chuẩn hóa văn bản.

26 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 26: Giả sử bạn huấn luyện một mô hình phân loại văn bản trên một tập dữ liệu và đạt độ chính xác (Accuracy) 98%. Tuy nhiên, khi thử nghiệm trên dữ liệu mới, hiệu suất giảm đáng kể. Vấn đề phổ biến nào mô hình của bạn có thể đang gặp phải?

Underfitting (Chưa khớp)

Overfitting (Quá khớp)

Dữ liệu huấn luyện quá ít.

Thuật toán phân loại quá đơn giản.

Câu hỏi kiểm tra khả năng phân tích vấn đề huấn luyện mô hình. Hiệu suất cao trên dữ liệu huấn luyện nhưng thấp trên dữ liệu mới là dấu hiệu kinh điển của Overfitting (Quá khớp), nghĩa là mô hình học quá chi tiết vào dữ liệu huấn luyện và không khái quát hóa tốt sang dữ liệu chưa thấy.

27 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 27: Trong ngữ cảnh của các mô hình nhúng từ (Word Embeddings), phép toán vectơ 'King - Man + Woman' thường cho kết quả gần với vectơ của từ nào nhất, minh họa cho khả năng nắm bắt mối quan hệ analogical (tương tự) của các embedding?

Prince

Castle

Throne

Queen

Câu hỏi kiểm tra kiến thức về tính chất của Word Embeddings. Một trong những đặc tính nổi bật của các mô hình embedding như Word2Vec là khả năng biểu diễn mối quan hệ tương tự dưới dạng phép toán vectơ. Quan hệ 'King' với 'Man' tương tự như 'Queen' với 'Woman'.

28 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 28: Bạn cần phân tích một đoạn văn bản để xác định các câu hỏi được đặt ra. Nhiệm vụ NLP nào sau đây trực tiếp liên quan đến việc nhận diện và phân loại các loại câu (ví dụ: câu hỏi, câu trần thuật, câu cảm thán)?

Sentence Type Classification (Phân loại loại câu)

Coreference Resolution (Giải quyết tham chiếu đồng nhất)

Semantic Role Labeling (Gán nhãn vai trò ngữ nghĩa)

Machine Translation (Dịch máy)

Câu hỏi kiểm tra khả năng áp dụng kỹ thuật cho nhiệm vụ cụ thể. Phân loại loại câu (Sentence Type Classification) là một nhiệm vụ cơ bản trong NLP, giúp xác định mục đích giao tiếp của từng câu.

29 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 29: Khi xây dựng một hệ thống Hỏi-Đáp (Question Answering - QA), cách tiếp cận nào sau đây thường yêu cầu mô hình phải 'hiểu' nội dung của một đoạn văn bản và trích xuất câu trả lời trực tiếp từ đoạn đó, thay vì chỉ tìm kiếm câu trả lời phù hợp trong một cơ sở dữ liệu đã có?

Rule-based QA (Hỏi-Đáp dựa trên luật)

Knowledge Graph QA (Hỏi-Đáp dựa trên đồ thị tri thức)

Reading Comprehension QA (Hỏi-Đáp dựa trên đọc hiểu)

Information Retrieval QA (Hỏi-Đáp dựa trên truy vấn thông tin)

Câu hỏi kiểm tra kiến thức về các loại hệ thống QA. Hệ thống QA dựa trên đọc hiểu (Reading Comprehension QA) yêu cầu mô hình phân tích một đoạn văn bản và một câu hỏi, sau đó trích xuất (Extractive QA) hoặc sinh ra (Generative QA) câu trả lời dựa trên nội dung trong đoạn văn.

30 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 12

Câu 30: Vấn đề 'bias' (thiên vị) trong các mô hình NLP hiện đại, đặc biệt là các mô hình ngôn ngữ lớn được huấn luyện trên dữ liệu web, là một mối quan ngại đạo đức lớn. Điều nào sau đây là một ví dụ về bias trong đầu ra của mô hình NLP?

Mô hình không thể xử lý các từ viết tắt.

Mô hình có xu hướng liên kết một số nghề nghiệp nhất định với một giới tính cụ thể.

Mô hình yêu cầu nhiều thời gian tính toán để đưa ra dự đoán.

Mô hình đưa ra cùng một câu trả lời cho các câu hỏi khác nhau về mặt diễn đạt.

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi kiểm tra khả năng nhận diện vấn đề bias trong NLP. Các mô hình học từ dữ liệu web có thể phản ánh các định kiến xã hội (về giới tính, chủng tộc, nghề nghiệp, v.v.). Việc mô hình liên kết một nghề nghiệp cụ thể (ví dụ: y tá) với một giới tính cụ thể (ví dụ: nữ) là một ví dụ điển hình của bias giới tính.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Trắc nghiệm Xử lí ngôn ngữ tự nhiên - Đề 13

1 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 1: Trong quy trình xử lý văn bản thô (raw text) cho các tác vụ NLP, bước nào sau đây KHÔNG thuộc giai đoạn tiền xử lý (preprocessing) cơ bản?

Tách từ (Tokenization)

Loại bỏ từ dừng (Stop word removal)

Chuẩn hóa chữ hoa/thường

Phân tích cú pháp (Parsing)

Tiền xử lý văn bản thường bao gồm các bước như tách từ (tokenization), loại bỏ từ dừng (stop word removal), chuẩn hóa (normalization), và xử lý gốc từ (stemming/lemmatization). Phân tích cú pháp (parsing) là một bước phân tích ngôn ngữ ở mức cao hơn, thuộc giai đoạn phân tích (analysis) chứ không phải tiền xử lý.

2 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 2: Cho đoạn văn bản: 'Hôm nay, trời rất đẹp! Chúng tôi đi chơi công viên.' Sau khi áp dụng kỹ thuật tách từ (tokenization) đơn giản (tách theo dấu cách và dấu câu), danh sách các token thu được là gì?

['Hôm nay', 'trời rất đẹp', 'Chúng tôi đi chơi công viên']

['Hôm', 'nay', 'trời', 'rất', 'đẹp', 'Chúng', 'tôi', 'đi', 'chơi', 'công', 'viên']

['Hôm', 'nay', ',', 'trời', 'rất', 'đẹp', '!', 'Chúng', 'tôi', 'đi', 'chơi', 'công', 'viên', '.']

['Hôm', 'nay', 'trời', 'rất', 'đẹp', 'Chúng', 'tôi', 'đi', 'chơi', 'công viên']

Tách từ đơn giản sẽ chia văn bản thành các đơn vị (token) dựa trên dấu cách và các dấu câu. 'Hôm', 'nay', ',', 'trời', 'rất', 'đẹp', '!', 'Chúng', 'tôi', 'đi', 'chơi', 'công', 'viên', '.'

3 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 3: Kỹ thuật xử lý gốc từ nào (stemming hoặc lemmatization) phù hợp hơn nếu mục tiêu là giữ lại ý nghĩa ngữ pháp và từ vựng của từ (ví dụ: biến 'running', 'ran', 'runs' về 'run')?

Stemming

Lemmatization

Tokenization

Stop word removal

Lemmatization là quá trình đưa từ về dạng nguyên thể (lemma) có nghĩa trong từ điển, có tính đến ngữ cảnh và cấu trúc ngữ pháp. Stemming chỉ đơn thuần cắt bớt hậu tố theo quy tắc heuristic và có thể tạo ra gốc từ không có nghĩa ('runn' từ 'running'). Do đó, lemmatization phù hợp hơn để giữ lại ý nghĩa.

4 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 4: Mô hình biểu diễn văn bản nào sau đây chỉ quan tâm đến tần suất xuất hiện của từ trong tài liệu mà KHÔNG xét đến thứ tự hay mối quan hệ ngữ pháp giữa các từ?

Bag-of-Words (BoW)

N-gram model

Word2Vec

TF-IDF (Term Frequency-Inverse Document Frequency)

Mô hình Bag-of-Words (BoW) biểu diễn tài liệu dưới dạng một túi (tập hợp) các từ và tần suất của chúng, hoàn toàn bỏ qua thứ tự xuất hiện của từ. Các mô hình khác như N-gram, Word Embeddings (Word2Vec, GloVe), hay các mô hình dựa trên Transformer đều ít nhiều quan tâm đến ngữ cảnh hoặc mối quan hệ giữa các từ.

5 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 5: TF-IDF (Term Frequency-Inverse Document Frequency) là một kỹ thuật phổ biến để tính trọng số cho từ trong tài liệu. Trọng số IDF (Inverse Document Frequency) của một từ càng CAO khi:

Từ đó xuất hiện rất nhiều lần trong tài liệu đang xét.

Từ đó là một từ dừng (stop word).

Từ đó xuất hiện trong hầu hết các tài liệu của tập dữ liệu.

Từ đó xuất hiện trong rất ít tài liệu của tập dữ liệu.

IDF đo lường mức độ hiếm gặp của từ trong toàn bộ tập tài liệu. Công thức IDF = log(N/df), trong đó N là tổng số tài liệu, df là số tài liệu chứa từ đó. df càng nhỏ (tức từ càng hiếm) thì IDF càng lớn. Từ xuất hiện nhiều trong một tài liệu nhưng hiếm trong cả tập corpus sẽ có trọng số TF-IDF cao.

6 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 6: Word Embeddings (như Word2Vec, GloVe) biểu diễn từ dưới dạng các vector số thực. Ưu điểm chính của biểu diễn này so với Bag-of-Words là gì?

Có khả năng nắm bắt mối quan hệ ngữ nghĩa giữa các từ.

Tạo ra vector biểu diễn có kích thước rất lớn.

Hoàn toàn bỏ qua ngữ cảnh xuất hiện của từ.

Yêu cầu ít dữ liệu huấn luyện hơn BoW.

Word Embeddings mã hóa ý nghĩa ngữ nghĩa (semantic meaning) của từ trong không gian vector. Các từ có ý nghĩa tương tự (ví dụ: 'vua', 'nữ hoàng') sẽ có vector gần nhau. Điều này giúp các mô hình NLP hiểu được mối quan hệ giữa các từ và xử lý hiệu quả hơn các từ đồng nghĩa hoặc có liên quan, điều mà BoW không làm được.

7 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 7: Trong nhiệm vụ Gắn thẻ từ loại (Part-of-Speech - POS Tagging), mục tiêu là gán nhãn ngữ pháp (danh từ, động từ, tính từ, v.v.) cho mỗi từ trong câu. Cho câu: 'Con chó chạy rất nhanh.' Nhãn POS tương ứng (tiếng Việt) có thể là gì?

Con/V, chó/N, chạy/V, rất/Adv, nhanh/Adj

Con/Det, chó/N, chạy/V, rất/Adv, nhanh/Adj

Con/N, chó/N, chạy/V, rất/Adj, nhanh/Adv

Con/Det, chó/V, chạy/N, rất/Adv, nhanh/Adj

Phân tích ngữ pháp cơ bản: 'Con' (loại từ/mạo từ), 'chó' (danh từ), 'chạy' (động từ), 'rất' (trạng từ), 'nhanh' (tính từ/trạng từ). Đáp án B phản ánh đúng nhất cấu trúc ngữ pháp này.

8 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 8: Nhận dạng thực thể được đặt tên (Named Entity Recognition - NER) là nhiệm vụ xác định và phân loại các thực thể có tên riêng trong văn bản (ví dụ: tên người, tổ chức, địa điểm, ngày tháng). Cho câu: 'Apple Inc. được thành lập bởi Steve Jobs và Steve Wozniak tại California năm 1976.' Thực thể 'California' thuộc loại nào?

Tên người (Person)

Tổ chức (Organization)

Địa điểm (Location)

Ngày tháng (Date)

'California' là tên một bang của Mỹ, đại diện cho một địa điểm địa lý. Do đó, nó thuộc loại 'Địa điểm' (Location).

9 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 9: Khi xây dựng một hệ thống phân tích tình cảm (Sentiment Analysis) cho các bình luận sản phẩm, bạn thu thập dữ liệu và gán nhãn 'Tích cực', 'Tiêu cực', 'Trung tính'. Đây là một ví dụ về bài toán NLP thuộc nhóm nào?

Phân loại văn bản (Text Classification)

Dịch máy (Machine Translation)

Tóm tắt văn bản (Text Summarization)

Nhận dạng thực thể được đặt tên (NER)

Bài toán phân tích tình cảm, với mục tiêu gán một trong các nhãn định sẵn ('Tích cực', 'Tiêu cực', 'Trung tính') cho một đoạn văn bản, là một dạng điển hình của bài toán phân loại văn bản (Text Classification).

10 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 10: Hệ thống Dịch máy Nơ-ron (Neural Machine Translation - NMT) hiện đại thường sử dụng kiến trúc mã hóa-giải mã (Encoder-Decoder). Vai trò chính của bộ mã hóa (Encoder) là gì?

Chuyển đổi câu ngôn ngữ nguồn thành một biểu diễn vector ngữ cảnh.

Tạo ra câu ngôn ngữ đích dựa trên biểu diễn ngữ cảnh.

Tính toán độ tương đồng giữa các từ trong câu.

Xác định các thực thể được đặt tên trong văn bản.

Bộ mã hóa (Encoder) trong kiến trúc Seq2Seq (phổ biến trong NMT) có nhiệm vụ xử lý chuỗi đầu vào (câu ngôn ngữ nguồn) và nén thông tin của nó thành một biểu diễn vector ngữ cảnh cố định (hoặc một chuỗi các vector ngữ cảnh trong các mô hình có Attention). Biểu diễn này sau đó được truyền cho bộ giải mã.

11 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 11: Kiến trúc Transformer, đặc biệt là cơ chế Self-Attention (tự chú ý), đã tạo ra bước đột phá trong NLP. Ưu điểm chính của Self-Attention so với các mạng RNN/LSTM truyền thống trong việc xử lý chuỗi dài là gì?

Giảm đáng kể số lượng tham số của mô hình.

Có khả năng nắm bắt hiệu quả các phụ thuộc giữa các từ ở xa nhau trong chuỗi.

Chỉ xử lý được các chuỗi văn bản rất ngắn.

Yêu cầu ít dữ liệu huấn luyện hơn các mô hình truyền thống.

RNN/LSTM xử lý chuỗi tuần tự, gặp khó khăn trong việc nắm bắt mối quan hệ giữa các từ ở xa nhau trong chuỗi dài (vấn đề phụ thuộc xa). Cơ chế Self-Attention cho phép mô hình tính toán mức độ liên quan giữa *mọi cặp từ* trong chuỗi đầu vào cùng lúc, giúp nắm bắt các phụ thuộc xa hiệu quả hơn và song song hóa tính toán tốt hơn.

12 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 12: Mô hình ngôn ngữ (Language Model) có nhiệm vụ dự đoán từ tiếp theo trong một chuỗi dựa trên các từ đã cho. Nếu một mô hình N-gram đang dự đoán từ tiếp theo dựa trên 2 từ trước đó, đây là mô hình loại nào?

Unigram (1-gram)

Bigram (2-gram)

Trigram (3-gram)

4-gram

Mô hình N-gram dự đoán từ dựa trên (N-1) từ đứng trước. Nếu mô hình dựa trên 2 từ trước đó, tức là N-1 = 2, suy ra N = 3. Đây là mô hình 3-gram.

13 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 13: Khi đánh giá chất lượng của mô hình ngôn ngữ, chỉ số Perplexity thường được sử dụng. Perplexity càng THẤP chứng tỏ điều gì?

Mô hình dự đoán từ tiếp theo tốt hơn (chất lượng mô hình cao hơn).

Mô hình có kích thước từ vựng lớn hơn.

Mô hình bị overfitting trên dữ liệu huấn luyện.

Mô hình xử lý nhanh hơn.

Perplexity là một thước đo mức độ 'ngạc nhiên' của mô hình trước một chuỗi văn bản. Perplexity thấp nghĩa là mô hình tự tin hơn trong việc dự đoán từ tiếp theo, cho thấy mô hình khớp tốt hơn với dữ liệu test và có khả năng tổng quát hóa tốt hơn, tức là một mô hình ngôn ngữ tốt hơn.

14 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 14: Mô hình BERT (Bidirectional Encoder Representations from Transformers) là một mô hình ngôn ngữ tiền huấn luyện (pre-trained) rất mạnh. Đặc điểm nổi bật của BERT là khả năng học biểu diễn từ (word representations) dựa trên:

Chỉ ngữ cảnh bên trái của từ.

Chỉ ngữ cảnh bên phải của từ.

Tần suất xuất hiện của từ trong tài liệu.

Toàn bộ ngữ cảnh hai chiều (trái và phải) của từ.

BERT sử dụng kiến trúc Transformer Encoder và được huấn luyện với hai nhiệm vụ chính: Masked Language Model (dự đoán từ bị che đi) và Next Sentence Prediction (dự đoán câu tiếp theo có phải là câu kế tiếp trong văn bản gốc không). Điều này cho phép BERT học được biểu diễn từ dựa trên *toàn bộ ngữ cảnh* hai chiều (trước và sau từ đó), khác với các mô hình trước đó chỉ học ngữ cảnh một chiều (trái sang phải hoặc phải sang trái).

15 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 15: Bạn đang xây dựng một hệ thống chatbot tư vấn du lịch. Khi người dùng nhập câu 'Tôi muốn tìm khách sạn ở Hạ Long vào tháng 12', hệ thống cần xác định 'muốn tìm khách sạn' là ý định (intent) và trích xuất 'Hạ Long' (địa điểm), 'tháng 12' (thời gian). Nhiệm vụ trích xuất các thông tin cụ thể như 'Hạ Long', 'tháng 12' được gọi là gì?

Nhận dạng ý định (Intent Recognition)

Điền khe (Slot Filling)

Tạo ngôn ngữ tự nhiên (Natural Language Generation)

Giải mã ý nghĩa từ (Word Sense Disambiguation)

Trong các hệ thống đối thoại, việc xác định các thông tin chi tiết, cụ thể mà người dùng đề cập (như địa điểm, thời gian, số lượng, v.v.) để điền vào các 'khe' (slots) của ý định được gọi là Slot Filling (Điền khe).

16 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 16: Trong phân tích cú pháp phụ thuộc (Dependency Parsing), mối quan hệ giữa các từ trong câu được biểu diễn dưới dạng một đồ thị có hướng. Đỉnh của đồ thị là các từ, và cạnh biểu diễn mối quan hệ phụ thuộc. Từ nào trong câu thường được coi là gốc (root) của cây phụ thuộc?

Danh từ đầu tiên của câu.

Từ cuối cùng của câu.

Động từ chính của câu.

Một từ dừng (stop word).

Trong hầu hết các mô hình phân tích phụ thuộc, động từ chính (main verb) của câu thường được coi là gốc (root) của cây phụ thuộc, vì nó là thành phần trung tâm mà các thành phần khác phụ thuộc vào.

17 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 17: Giải mã ý nghĩa từ (Word Sense Disambiguation - WSD) là nhiệm vụ chọn ra ý nghĩa phù hợp nhất của một từ đa nghĩa trong một ngữ cảnh cụ thể. Cho câu: 'Tôi vừa mua một chiếc bank mới.' Từ 'bank' trong câu này có ý nghĩa là gì?

Ngân hàng

Bờ sông

Ghế dài

Không đủ ngữ cảnh để xác định.

Trong tiếng Anh, 'bank' có thể có nhiều nghĩa (ngân hàng, bờ sông, ghế dài...). Tuy nhiên, trong ngữ cảnh 'mua một chiếc... mới', ý nghĩa phù hợp nhất là 'ghế dài' (một loại đồ vật có thể mua).

18 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 18: Khi đánh giá một mô hình Nhận dạng thực thể được đặt tên (NER), các chỉ số Precision, Recall và F1-score thường được sử dụng. Precision đo lường điều gì?

Tỷ lệ các thực thể đúng trong dữ liệu mà mô hình đã tìm thấy.

Tỷ lệ các thực thể mà mô hình dự đoán là đúng thực sự là đúng.

Trung bình điều hòa của Precision và Recall.

Tổng số thực thể được tìm thấy bởi mô hình.

Trong các bài toán phân loại hoặc gắn nhãn, Precision (Độ chính xác) đo lường tỷ lệ các kết quả mà mô hình dự đoán là tích cực (positive) thực sự là tích cực. Nói cách khác, trong số những thực thể mà mô hình xác định, có bao nhiêu thực sự là thực thể đúng. Recall (Độ phủ) đo tỷ lệ thực thể đúng mà mô hình đã tìm thấy.

19 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 19: Bạn đang phát triển một hệ thống tóm tắt văn bản. Hệ thống của bạn phân tích văn bản gốc và chọn ra các câu quan trọng nhất từ văn bản đó để tạo thành bản tóm tắt. Đây là loại tóm tắt nào?

Tóm tắt trích xuất (Extractive Summarization)

Tóm tắt trừu tượng (Abstractive Summarization)

Tóm tắt dựa trên chủ đề (Topic-based Summarization)

Tóm tắt có giám sát (Supervised Summarization)

Tóm tắt văn bản có hai loại chính: Extractive (trích xuất) và Abstractive (trừu tượng). Tóm tắt trích xuất chọn ra các câu hoặc cụm từ nguyên vẹn từ văn bản gốc. Tóm tắt trừu tượng tạo ra các câu mới diễn đạt lại ý chính, có thể sử dụng từ ngữ không có trong văn bản gốc.

20 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 20: Đối với các ngôn ngữ có cấu trúc ngữ pháp phức tạp và thứ tự từ linh hoạt (như tiếng Việt), kỹ thuật phân tích cú pháp nào sau đây có thể hiệu quả hơn trong việc nắm bắt mối quan hệ giữa các thành phần câu, ngay cả khi chúng không liền kề nhau?

Phân tích cú pháp phụ thuộc (Dependency Parsing)

Phân tích cú pháp thành phần (Constituency Parsing)

Gắn thẻ từ loại (POS Tagging)

Nhận dạng thực thể được đặt tên (NER)

Phân tích cú pháp phụ thuộc (Dependency Parsing) tập trung vào mối quan hệ ngữ pháp giữa các từ (ví dụ: từ nào bổ nghĩa cho từ nào, từ nào là chủ ngữ của động từ nào), tạo ra một đồ thị phụ thuộc. Cách tiếp cận này thường hiệu quả hơn trong việc xử lý các ngôn ngữ có thứ tự từ tương đối linh hoạt so với Constituency Parsing (phân tích thành phần) vốn dựa nhiều vào cấu trúc phân cấp lồng nhau.

21 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 21: Bạn đang sử dụng một mô hình ngôn ngữ tiền huấn luyện (pre-trained language model) như BERT hoặc GPT-2 cho một tác vụ cụ thể (ví dụ: phân loại đánh giá phim). Quy trình điều chỉnh mô hình đã huấn luyện trên tập dữ liệu nhỏ của tác vụ cụ thể này được gọi là gì?

Huấn luyện từ đầu (Training from scratch)

Tinh chỉnh (Fine-tuning)

Mã hóa (Encoding)

Tách từ (Tokenization)

Sử dụng mô hình tiền huấn luyện trên tập dữ liệu lớn, sau đó điều chỉnh các tham số của nó trên một tập dữ liệu nhỏ hơn cho một tác vụ cụ thể được gọi là Fine-tuning (Tinh chỉnh). Đây là một kỹ thuật phổ biến trong Transfer Learning (Học chuyển giao) trong NLP.

22 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 22: Mô hình nào sau đây KHÔNG phải là một mô hình biểu diễn từ (word embedding model) học được từ ngữ cảnh?

Word2Vec

GloVe

FastText

TF-IDF

Word2Vec (Skip-gram, CBOW), GloVe và FastText đều là các mô hình học biểu diễn vector cho từ dựa trên ngữ cảnh xuất hiện của chúng trong kho ngữ liệu. TF-IDF không phải là một mô hình embedding học được, mà là một kỹ thuật tính trọng số dựa trên tần suất thống kê của từ trong tài liệu và corpus.

23 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 23: Khi xây dựng một hệ thống Hỏi-Đáp (Question Answering - QA) kiểu Trích xuất (Extractive QA), đầu ra của hệ thống là gì?

Một câu trả lời được tạo ra hoàn toàn mới bởi mô hình.

Một danh sách các tài liệu liên quan đến câu hỏi.

Một đoạn văn bản con (span) được trích xuất trực tiếp từ tài liệu nguồn.

Một vector biểu diễn ngữ nghĩa của câu trả lời.

Hệ thống QA kiểu Trích xuất tìm kiếm câu trả lời trực tiếp trong đoạn văn bản nguồn được cung cấp. Câu trả lời là một đoạn con (span) *chính xác* từ văn bản đó, chứ không phải là một câu trả lời được tạo ra mới.

24 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 24: Bạn nhận thấy mô hình phân loại văn bản của mình hoạt động rất tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu kiểm thử chưa từng thấy. Vấn đề này có khả năng là gì?

Overfitting

Underfitting

Thiếu dữ liệu huấn luyện

Tách từ sai

Khi mô hình hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới, đây là dấu hiệu điển hình của Overfitting (học tủ). Mô hình đã học quá kỹ các chi tiết hoặc nhiễu trong dữ liệu huấn luyện mà không học được các đặc điểm tổng quát, dẫn đến khả năng tổng quát hóa kém.

25 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 25: Trong xử lý ngôn ngữ tiếng Việt, việc tách từ (word tokenization) phức tạp hơn so với tiếng Anh do đặc điểm nào?

Sự đa dạng về ngữ pháp.

Nhiều từ có cấu tạo là từ ghép, các tiếng được viết cách nhau.

Không có chữ hoa/chữ thường.

Sử dụng nhiều từ mượn.

Trong tiếng Việt, nhiều 'từ' có nghĩa là tổ hợp của hai hoặc nhiều tiếng (ví dụ: 'học sinh', 'máy tính'). Các tiếng này thường được viết cách nhau, gây khó khăn cho việc xác định ranh giới từ chính xác nếu chỉ dựa vào dấu cách như tiếng Anh. Đây là vấn đề về từ ghép và đa âm tiết.

26 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 26: Khi huấn luyện mô hình NLP trên dữ liệu văn bản lấy từ Internet, mô hình có thể vô tình học được các thành kiến (bias) có sẵn trong dữ liệu (ví dụ: thiên vị giới tính, chủng tộc). Điều này thuộc khía cạnh nào trong các thách thức của NLP thực tế?

Hiệu suất tính toán.

Khả năng mở rộng (Scalability).

Đa ngôn ngữ (Multilinguality).

Đạo đức và Xã hội (Ethics and Societal Implications).

Các vấn đề liên quan đến tính công bằng, minh bạch và trách nhiệm giải trình của các mô hình AI/NLP, đặc biệt là việc mô hình phản ánh hoặc khuếch đại các thành kiến xã hội từ dữ liệu, thuộc về khía cạnh Đạo đức và Xã hội (Ethical and Societal Implications) của NLP.

27 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 27: Để cải thiện hiệu suất của mô hình NLP trên một tập dữ liệu nhỏ, bạn có thể sử dụng kỹ thuật Tăng cường dữ liệu (Data Augmentation). Ví dụ nào sau đây là một kỹ thuật tăng cường dữ liệu phổ biến cho văn bản?

Thay thế từ bằng từ đồng nghĩa.

Xoay ảnh.

Thêm nhiễu Gaussian vào vector.

Cân bằng biểu đồ.

Tăng cường dữ liệu cho văn bản bao gồm các kỹ thuật tạo ra các biến thể mới của dữ liệu gốc mà vẫn giữ nguyên nhãn. Thay thế đồng nghĩa là một kỹ thuật phổ biến, trong đó một từ trong câu được thay thế bằng một từ đồng nghĩa của nó (ví dụ: 'tốt' thành 'xuất sắc') để tạo ra một câu mới nhưng ý nghĩa tương đồng.

28 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 28: Mô hình Seq2Seq (Sequence-to-Sequence) là nền tảng cho nhiều ứng dụng NLP như dịch máy, tóm tắt văn bản. Mô hình này bao gồm hai phần chính là Encoder và Decoder. Bộ phận nào chịu trách nhiệm tạo ra chuỗi đầu ra?

Encoder

Decoder

Attention Mechanism

Embedding Layer

Trong kiến trúc Seq2Seq, Encoder xử lý chuỗi đầu vào và tạo ra biểu diễn ngữ cảnh. Decoder nhận biểu diễn này và tạo ra chuỗi đầu ra từng bước một. Do đó, Decoder là bộ phận chịu trách nhiệm tạo ra chuỗi đầu ra.

29 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 29: Khi huấn luyện mô hình phân tích tình cảm, bạn nhận thấy mô hình thường phân loại sai các câu có chứa sự phủ định (ví dụ: 'Bộ phim này **không** hay như tôi mong đợi'). Vấn đề này liên quan trực tiếp đến việc mô hình chưa xử lý tốt khía cạnh nào của ngôn ngữ?

Cú pháp (Syntax)

Ngữ âm (Phonetics)

Ngữ nghĩa (Semantics)

Hình thái học (Morphology)

Sự phủ định làm thay đổi ý nghĩa hoặc tình cảm của câu ('hay' vs 'không hay'). Việc mô hình không nhận diện và xử lý đúng các từ phủ định cho thấy nó gặp khó khăn trong việc hiểu ý nghĩa thực sự (ngữ nghĩa) của câu, đặc biệt là cách các từ tương tác để tạo nên ý nghĩa tổng thể.

30 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 13

Câu 30: Để xây dựng một hệ thống nhận dạng giọng nói (Speech Recognition) hiệu quả, một trong những thách thức lớn nhất là xử lý sự biến đổi tự nhiên trong giọng nói con người. Điều này bao gồm các yếu tố như tốc độ nói, ngữ điệu, giọng điệu, và sự khác biệt giữa các cá nhân. Thách thức này thuộc về khía cạnh nào?

Biến đổi âm học (Acoustic variability)

Đa nghĩa từ (Word polysemy)

Phân tích cú pháp (Parsing)

Nhận dạng thực thể được đặt tên (NER)

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Nhận dạng giọng nói là giao điểm giữa xử lý tín hiệu âm thanh và NLP. Các biến thể trong giọng nói con người (tốc độ, ngữ điệu, âm sắc, accent) là các đặc điểm của tín hiệu âm thanh (acoustic features). Việc xử lý sự đa dạng này là thách thức chính trong khía cạnh âm học (Acoustics/Phonetics) của nhận dạng giọng nói.

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Trắc nghiệm Xử lí ngôn ngữ tự nhiên - Đề 14

1 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 1: Trong xử lý ngôn ngữ tự nhiên (NLP), sự khác biệt cơ bản giữa Stemming (cắt bỏ hậu tố) và Lemmatization (đưa về dạng nguyên thể) là gì?

Stemming giữ nguyên nghĩa của từ gốc, còn Lemmatization thì không.

Stemming chỉ áp dụng cho danh từ, còn Lemmatization áp dụng cho mọi loại từ.

Lemmatization nhanh hơn và đơn giản hơn Stemming.

Lemmatization sử dụng từ điển để tìm dạng nguyên thể có nghĩa, Stemming chỉ cắt bỏ hậu tố dựa trên quy tắc.

Lemmatization sử dụng từ điển và phân tích hình thái để đưa từ về dạng nguyên thể có nghĩa (lemma), trong khi Stemming chỉ đơn thuần cắt bỏ các hậu tố dựa trên quy tắc, đôi khi tạo ra từ vô nghĩa nhưng cùng gốc.

2 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 2: Khi xử lý một tập văn bản lớn, phương pháp biểu diễn Bag-of-Words (BoW) có một nhược điểm đáng kể là gì?

Nó yêu cầu kích thước từ điển rất nhỏ.

Nó có khả năng nắm bắt tốt mối quan hệ ngữ nghĩa giữa các từ.

Nó bỏ qua thứ tự xuất hiện và cấu trúc ngữ pháp của các từ trong văn bản.

Nó chỉ áp dụng được cho các ngôn ngữ có cấu trúc đơn giản.

BoW biểu diễn văn bản dưới dạng một vector tần suất từ, hoàn toàn bỏ qua thứ tự xuất hiện của các từ. Điều này làm mất đi thông tin về cấu trúc ngữ pháp và mối quan hệ ngữ cảnh giữa các từ.

3 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 3: Giả sử bạn đang xây dựng một hệ thống phân tích cảm xúc cho các bình luận sản phẩm. Bạn nhận thấy các bình luận thường sử dụng các từ lóng, viết tắt và biểu tượng cảm xúc. Bước tiền xử lý nào sau đây là quan trọng nhất để xử lý vấn đề này trước khi áp dụng mô hình học máy truyền thống (ví dụ: Naive Bayes, SVM)?

Chuẩn hóa từ lóng, viết tắt và xử lý biểu tượng cảm xúc.

Loại bỏ tất cả các từ dừng (stop words).

Chỉ thực hiện Stemming cho tất cả các từ.

Chỉ thực hiện chuyển đổi sang chữ thường.

Xử lý từ lóng, viết tắt và biểu tượng cảm xúc là cần thiết để chuẩn hóa văn bản, đưa về dạng mà mô hình có thể hiểu được. Các bước khác như loại bỏ từ dừng, Stemming/Lemmatization cũng quan trọng nhưng việc chuẩn hóa các yếu tố phi chuẩn tắc như từ lóng/biểu tượng cảm xúc thường là ưu tiên hàng đầu trong văn bản mạng xã hội.

4 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 4: Bạn đang làm việc trên một nhiệm vụ nhận dạng thực thể có tên (Named Entity Recognition - NER) cho các bài báo y khoa. Bạn cần xác định tên thuốc, tên bệnh, và tên cơ quan. Mô hình học máy nào sau đây thường phù hợp nhất cho nhiệm vụ ghi nhãn theo trình tự (sequence labeling) như NER, có khả năng ghi nhớ ngữ cảnh dài?

Mô hình Naive Bayes

Máy vectơ hỗ trợ (SVM)

Mạng nơ-ron hồi quy (RNN) hoặc Bi-LSTM

Phân cụm K-Means

NER là nhiệm vụ ghi nhãn từng từ trong một trình tự. Các mô hình mạng nơ-ron hồi quy (RNN) như LSTM hoặc GRU, hoặc các mô hình dựa trên Attention như Transformer, rất hiệu quả trong việc xử lý dữ liệu trình tự và nắm bắt ngữ cảnh dài, điều cần thiết để xác định các thực thể có tên.

5 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 5: Word Embeddings (như Word2Vec, GloVe) khác biệt cơ bản với các phương pháp biểu diễn từ truyền thống (như One-Hot Encoding, BoW) ở điểm nào?

Word Embeddings tạo ra vector thưa, còn One-Hot Encoding tạo ra vector mật độ.

Word Embeddings có thể nắm bắt mối quan hệ ngữ nghĩa giữa các từ (ví dụ: 'vua' - 'đàn ông' + 'phụ nữ' ≈ 'hoàng hậu').

Word Embeddings yêu cầu từ điển nhỏ hơn.

Word Embeddings chỉ biểu diễn được danh từ và động từ.

Word Embeddings biểu diễn các từ dưới dạng vector mật độ (dense vectors) trong không gian nhiều chiều, nơi các từ có ngữ nghĩa tương tự sẽ có vector gần nhau. Các phương pháp truyền thống thường tạo ra vector thưa (sparse vectors) và không thể hiện mối quan hệ ngữ nghĩa này.

6 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 6: Bạn đang xây dựng một hệ thống dịch máy từ tiếng Việt sang tiếng Anh. Kiến trúc mô hình học sâu nào sau đây thường được sử dụng cho nhiệm vụ chuyển đổi trình tự sang trình tự (Sequence-to-Sequence) này, đặc biệt là các mô hình hiện đại?

Mạng nơ-ron tích chập (CNN)

Mô hình Markov ẩn (HMM)

Mô hình Naive Bayes

Kiến trúc Encoder-Decoder (ví dụ: Transformer)

Kiến trúc Encoder-Decoder là nền tảng cho các mô hình Seq2Seq, được sử dụng rộng rãi trong dịch máy. Các mô hình Transformer, dựa trên cơ chế Attention, là biến thể hiện đại và hiệu quả của kiến trúc này.

7 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 7: Cơ chế Attention (Chú ý) trong các mô hình Transformer mang lại lợi ích chính nào so với các mô hình RNN/LSTM truyền thống trong việc xử lý các câu dài?

Cho phép mô hình tập trung vào các phần quan trọng của câu đầu vào khi xử lý từng phần của câu đầu ra, giải quyết vấn đề phụ thuộc xa.

Làm giảm đáng kể số lượng tham số của mô hình.

Chỉ hoạt động hiệu quả với các câu rất ngắn.

Loại bỏ hoàn toàn nhu cầu tiền xử lý văn bản.

Cơ chế Attention cho phép mô hình truy cập trực tiếp và trọng số hóa thông tin từ bất kỳ vị trí nào trong trình tự đầu vào, thay vì chỉ phụ thuộc vào trạng thái ẩn cuối cùng như trong RNN/LSTM truyền thống. Điều này giúp giải quyết vấn đề 'thắt cổ chai thông tin' và nắm bắt mối quan hệ giữa các từ ở xa nhau trong câu dài.

8 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 8: Mô hình ngôn ngữ (Language Model) có mục đích chính là gì?

Phân loại văn bản thành các chủ đề cố định.

Nhận dạng các thực thể có tên trong văn bản.

Ước tính xác suất của một chuỗi các từ.

Phân tích cấu trúc cú pháp của câu.

Mô hình ngôn ngữ học cách tính xác suất xuất hiện của một chuỗi từ hoặc xác suất của một từ tiếp theo dựa trên các từ trước đó. Đây là nền tảng cho nhiều ứng dụng như sinh văn bản, nhận dạng giọng nói, dịch máy.

9 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 9: Perplexity (Độ phức tạp) là một chỉ số phổ biến để đánh giá mô hình ngôn ngữ. Giá trị Perplexity thấp hơn cho thấy điều gì?

Mô hình có kích thước lớn hơn.

Mô hình dự đoán các chuỗi từ trong tập dữ liệu kiểm tra tốt hơn.

Mô hình bị overfitting (quá khớp) trên dữ liệu huấn luyện.

Mô hình chỉ có thể xử lý các câu ngắn.

Perplexity đo lường mức độ chắc chắn (hay 'ngạc nhiên') của mô hình ngôn ngữ khi dự đoán từ tiếp theo. Giá trị Perplexity càng thấp, mô hình càng 'ít ngạc nhiên', tức là nó dự đoán các chuỗi từ trong tập dữ liệu kiểm tra tốt hơn, phản ánh khả năng mô hình hóa phân phối dữ liệu tốt hơn.

10 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 10: Bạn đang xây dựng một hệ thống hỏi đáp (Question Answering). Khi người dùng nhập một câu hỏi, hệ thống cần tìm câu trả lời trong một kho tài liệu lớn. Nhiệm vụ NLP nào sau đây là cốt lõi để xác định phần văn bản có khả năng chứa câu trả lời nhất?

Truy vấn thông tin (Information Retrieval).

Tạo văn bản (Text Generation).

Phân tích tình cảm (Sentiment Analysis).

Gắn thẻ một phần của bài phát biểu (Part-of-Speech Tagging).

Information Retrieval (Truy vấn thông tin) là quá trình tìm kiếm các tài liệu hoặc đoạn văn bản liên quan đến một truy vấn (câu hỏi). Sau khi tìm được các đoạn liên quan, các kỹ thuật QA chi tiết hơn sẽ được áp dụng để trích xuất hoặc tạo ra câu trả lời cụ thể.

11 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 11: Mô hình BERT (Bidirectional Encoder Representations from Transformers) khác biệt cơ bản với các mô hình Word Embeddings truyền thống (như Word2Vec, GloVe) ở điểm nào?

BERT chỉ sử dụng dữ liệu có nhãn để huấn luyện.

BERT tạo ra các embedding ngữ cảnh hóa, giúp phân biệt ý nghĩa của từ trong các ngữ cảnh khác nhau.

BERT là một mô hình ngôn ngữ một chiều (unidirectional).

BERT không sử dụng kiến trúc Transformer.

BERT tạo ra các embedding 'ngữ cảnh hóa' (contextualized). Điều này có nghĩa là biểu diễn vector của một từ phụ thuộc vào ngữ cảnh xung quanh nó trong câu, giúp BERT xử lý tốt các từ đa nghĩa (polysemy). Word2Vec/GloVe tạo ra một vector cố định cho mỗi từ, bất kể ngữ cảnh.

12 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 12: Bạn đang xây dựng một chatbot tư vấn khách hàng. Một thách thức lớn là làm sao chatbot hiểu được ý định thực sự của người dùng đằng sau các cách diễn đạt khác nhau (ví dụ: 'tôi muốn đổi hàng', 'làm sao để trả lại đồ này', 'sản phẩm không phù hợp'). Nhiệm vụ NLP nào giải quyết trực tiếp vấn đề này?

Nhận dạng ý định (Intent Detection).

Nhận dạng thực thể có tên (NER).

Phân tích cú pháp (Parsing).

Tóm tắt văn bản (Text Summarization).

Intent Detection (Nhận dạng ý định) là nhiệm vụ xác định mục đích hoặc ý định chính của người dùng từ lời nói hoặc văn bản của họ. Đây là thành phần cốt lõi trong các hệ thống đối thoại và chatbot.

13 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 13: Trong đánh giá mô hình phân loại văn bản (ví dụ: phân loại email spam/không spam), nếu bạn quan tâm đến việc giảm thiểu tối đa số lượng email spam bị bỏ sót (gửi vào hộp thư đến), bạn nên ưu tiên tối ưu hóa chỉ số đánh giá nào sau đây?

Precision (Độ chính xác).

Accuracy (Độ đúng tổng thể).

Recall (Độ phủ/Độ nhạy).

F1-score.

Recall (Độ phủ/Độ nhạy) đo lường tỷ lệ các trường hợp dương tính thực tế được mô hình nhận dạng đúng (True Positives) trong tổng số trường hợp dương tính thực tế. Trong bối cảnh email spam, 'dương tính' là email spam. Tối ưu Recall cao nghĩa là mô hình tìm được phần lớn email spam thực sự, giảm thiểu việc bỏ sót (False Negatives). Precision (Độ chính xác) thì đo tỷ lệ các trường hợp mô hình dự đoán là dương tính thực sự đúng.

14 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 14: Một câu tiếng Việt có thể có nhiều cách phân tích cú pháp khác nhau, dẫn đến các cây cú pháp khác nhau (ví dụ: 'Anh ấy ăn bánh mì với phô mai' - 'với phô mai' có thể bổ nghĩa cho 'bánh mì' hoặc 'ăn'). Hiện tượng này trong NLP được gọi là gì?

Word Sense Disambiguation (Giải mơ hồ từ vựng).

Syntactic Ambiguity (Mơ hồ cú pháp).

Coreference Resolution (Giải quyết đồng tham chiếu).

Named Entity Recognition (NER).

Đây là ví dụ về Ambiguity (Tính mơ hồ). Cụ thể hơn, đây là Structural Ambiguity (Mơ hồ cấu trúc) hoặc Syntactic Ambiguity (Mơ hồ cú pháp), nơi cùng một chuỗi từ có thể được phân tích thành nhiều cấu trúc ngữ pháp hợp lệ.

15 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 15: Bạn cần xây dựng một hệ thống tự động phân loại các bài đánh giá phim thành 'Tích cực', 'Tiêu cực', hoặc 'Trung lập'. Dữ liệu huấn luyện của bạn rất lớn và đã được gán nhãn sẵn. Phương pháp biểu diễn văn bản nào sau đây, kết hợp với các mô hình học máy truyền thống (ví dụ: SVM, Logistic Regression), thường cho hiệu quả tốt trong nhiệm vụ phân loại văn bản quy mô lớn?

One-Hot Encoding cho từng từ.

Chỉ sử dụng số lượng ký tự trong văn bản.

Chỉ sử dụng Stemming và đếm từ.

TF-IDF (Term Frequency-Inverse Document Frequency).

TF-IDF (Term Frequency-Inverse Document Frequency) là một phương pháp biểu diễn văn bản hiệu quả, trọng số hóa các từ dựa trên tần suất xuất hiện trong tài liệu và độ hiếm trong toàn bộ tập dữ liệu. Kết hợp với các mô hình học máy truyền thống, TF-IDF thường cho kết quả tốt trong các bài toán phân loại văn bản quy mô lớn.

16 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 16: Nhiệm vụ Coreference Resolution (Giải quyết đồng tham chiếu) trong NLP giải quyết vấn đề gì?

Xác định các loại thực thể (người, địa điểm, tổ chức).

Xác định các biểu đạt khác nhau trong văn bản đề cập đến cùng một thực thể.

Phân loại văn bản thành các chủ đề.

Đưa các từ về dạng nguyên thể.

Coreference Resolution là nhiệm vụ xác định tất cả các biểu đạt (mentions) trong văn bản đề cập đến cùng một thực thể trong thế giới thực. Ví dụ: 'John đi đến cửa hàng. Anh ấy mua một ít sữa.' - 'Anh ấy' đồng tham chiếu với 'John'.

17 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 17: Bạn cần tạo ra một hệ thống tự động viết các bản tin thể thao ngắn dựa trên dữ liệu thống kê trận đấu. Nhiệm vụ NLP nào sau đây mô tả chính xác mục tiêu của bạn?

Natural Language Understanding (NLU - Hiểu ngôn ngữ tự nhiên).

Natural Language Processing (NLP - Xử lý ngôn ngữ tự nhiên).

Information Extraction (IE - Trích xuất thông tin).

Natural Language Generation (NLG - Tạo ngôn ngữ tự nhiên).

Natural Language Generation (NLG - Tạo ngôn ngữ tự nhiên) là quá trình chuyển đổi dữ liệu có cấu trúc (như thống kê trận đấu) hoặc thông tin phi ngôn ngữ thành văn bản tự nhiên, dễ hiểu cho con người.

18 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 18: Khi đánh giá một mô hình dịch máy, chỉ số BLEU (Bilingual Evaluation Understudy) được sử dụng phổ biến. BLEU chủ yếu đo lường khía cạnh nào của bản dịch?

Mức độ trùng lặp n-gram giữa bản dịch máy và bản dịch tham chiếu của con người.

Độ chính xác ngữ pháp của bản dịch.

Mức độ hiểu nghĩa gốc của bản dịch.

Tốc độ thực hiện của mô hình dịch.

BLEU so sánh bản dịch được tạo ra với một hoặc nhiều bản dịch tham chiếu của con người, tính toán mức độ trùng lặp của các n-gram (chuỗi từ liên tục) giữa bản dịch máy và bản dịch tham chiếu. Nó chủ yếu đo lường 'độ chính xác' (precision) của các n-gram, có bổ sung phạt cho độ ngắn (brevity penalty). Nó phản ánh mức độ 'giống' bản dịch tham chiếu, thường được coi là thước đo sự lưu loát (fluency) và độ chính xác (accuracy) ở mức độ từ/cụm từ.

19 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 19: Bạn đang phân tích một bộ dữ liệu văn bản lớn và muốn nhóm các tài liệu có nội dung tương tự lại với nhau mà không cần gán nhãn trước. Kỹ thuật nào sau đây phù hợp nhất cho nhiệm vụ này?

Phân loại (Classification).

Phân cụm (Clustering).

Hồi quy (Regression).

Nhận dạng thực thể có tên (NER).

Phân cụm (Clustering) là một kỹ thuật học không giám sát, được sử dụng để nhóm các điểm dữ liệu (trong trường hợp này là các vector biểu diễn văn bản) dựa trên sự tương đồng của chúng. Đây là phương pháp phổ biến để khám phá cấu trúc trong dữ liệu văn bản không có nhãn.

20 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 20: Trong xử lý văn bản tiếng Việt, việc xác định ranh giới từ (word boundary) có thể phức tạp hơn so với tiếng Anh do đặc điểm nào?

Tiếng Việt có bảng chữ cái lớn hơn tiếng Anh.

Tiếng Việt có nhiều thì động từ hơn.

Ranh giới từ không luôn được phân tách rõ ràng bằng khoảng trắng.

Tiếng Việt không có danh từ riêng.

Tiếng Việt là ngôn ngữ đơn âm tiết, và ranh giới từ không luôn được phân tách rõ ràng bằng khoảng trắng như trong tiếng Anh (ví dụ: 'nhà ga', 'xe buýt'). Một từ tiếng Việt có thể bao gồm nhiều âm tiết hoặc các từ đơn ghép lại. Việc xác định chính xác từ (word tokenization) đòi hỏi các kỹ thuật phức tạp hơn, thường dựa vào từ điển hoặc các mô hình thống kê/học máy.

21 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 21: Giả sử bạn có một tập dữ liệu nhỏ các câu được gán nhãn cho nhiệm vụ phân tích tình cảm. Bạn muốn tận dụng kiến thức từ một mô hình ngôn ngữ lớn đã được huấn luyện trên lượng dữ liệu văn bản khổng lồ. Kỹ thuật nào sau đây là phù hợp nhất để sử dụng mô hình lớn này cho nhiệm vụ cụ thể của bạn?

Transfer Learning (ví dụ: Fine-tuning một mô hình ngôn ngữ lớn).

Huấn luyện mô hình từ đầu trên tập dữ liệu nhỏ của bạn.

Sử dụng chỉ các phương pháp dựa trên từ điển.

Áp dụng phân cụm (clustering) cho dữ liệu của bạn.

Transfer Learning (Học chuyển giao) cho phép sử dụng một mô hình đã được huấn luyện trên một nhiệm vụ hoặc tập dữ liệu lớn (ví dụ: mô hình ngôn ngữ được huấn luyện trước) và tinh chỉnh nó (fine-tuning) trên một nhiệm vụ cụ thể với dữ liệu nhỏ hơn. Điều này giúp mô hình học từ lượng lớn dữ liệu chung và áp dụng kiến thức đó vào nhiệm vụ mới.

22 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 22: Bạn đang xây dựng một hệ thống kiểm tra ngữ pháp cho tiếng Việt. Khi gặp câu 'Cháu nó đi học.', hệ thống cần xác định 'nó' đang đề cập đến 'Cháu'. Nhiệm vụ NLP nào đang được thực hiện ở đây?

Part-of-Speech Tagging (Gắn thẻ từ loại).

Named Entity Recognition (NER).

Sentiment Analysis (Phân tích tình cảm).

Coreference Resolution (Giải quyết đồng tham chiếu).

Đây là một ví dụ của Coreference Resolution (Giải quyết đồng tham chiếu), nơi hệ thống xác định rằng 'nó' (một đại từ) và 'Cháu' (một danh từ) cùng đề cập đến cùng một thực thể.

23 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 23: Khi sử dụng các mô hình ngôn ngữ lớn như GPT-3 hoặc các mô hình tương tự để sinh văn bản, một thách thức đáng kể về mặt đạo đức và xã hội là gì?

Mô hình sinh văn bản quá ngắn và đơn giản.

Văn bản được sinh ra có thể chứa định kiến hoặc thông tin sai lệch từ dữ liệu huấn luyện.

Mô hình không thể sinh ra các câu phức tạp.

Tốc độ sinh văn bản quá chậm.

Các mô hình ngôn ngữ lớn thường được huấn luyện trên lượng lớn dữ liệu từ internet, vốn chứa đựng các định kiến và thông tin sai lệch của con người. Do đó, văn bản được sinh ra bởi các mô hình này có thể phản ánh hoặc thậm chí khuếch đại các định kiến (ví dụ: về giới tính, sắc tộc) hoặc chứa thông tin không chính xác.

24 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 24: Bạn cần trích xuất thông tin có cấu trúc (ví dụ: tên người, địa điểm, ngày tháng) từ các bài báo tin tức không có cấu trúc. Nhiệm vụ NLP nào là mục tiêu chính của bạn?

Information Extraction (IE).

Text Classification (Phân loại văn bản).

Machine Translation (Dịch máy).

Natural Language Generation (NLG).

Information Extraction (IE - Trích xuất thông tin) là quá trình tự động trích xuất thông tin có cấu trúc từ văn bản không có cấu trúc hoặc bán cấu trúc. NER (Nhận dạng thực thể có tên) là một nhiệm vụ con quan trọng của IE.

25 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 25: Trong phân tích cú pháp phụ thuộc (Dependency Parsing), mối quan hệ giữa hai từ trong câu được biểu diễn dưới dạng gì?

Một vector mật độ.

Một nhãn từ loại (Part-of-Speech tag).

Một mối quan hệ phụ thuộc có hướng giữa hai từ.

Một cụm từ (phrase).

Phân tích cú pháp phụ thuộc biểu diễn cấu trúc cú pháp của câu dưới dạng một đồ thị có hướng, trong đó các nút là từ và các cạnh là các mối quan hệ phụ thuộc giữa từ phụ thuộc (dependent) và từ chi phối (head).

26 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 26: Khi xử lý văn bản từ các nền tảng mạng xã hội, việc gặp phải các từ đa nghĩa (polysemy - từ có nhiều nghĩa, ví dụ: 'đường' có thể là 'đường đi' hoặc 'đường ăn') là phổ biến. Nhiệm vụ NLP nào giải quyết vấn đề xác định ý nghĩa chính xác của một từ trong ngữ cảnh cụ thể?

Stemming.

Word Sense Disambiguation (WSD).

Named Entity Recognition (NER).

Syntactic Parsing (Phân tích cú pháp).

Word Sense Disambiguation (WSD - Giải mơ hồ từ vựng) là nhiệm vụ xác định ý nghĩa (sense) chính xác của một từ đa nghĩa dựa trên ngữ cảnh xung quanh nó trong câu.

27 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 27: Bạn đang xây dựng một hệ thống tự động gán nhãn từ loại (Part-of-Speech Tagging) cho văn bản tiếng Việt. Mô hình nào sau đây thường được sử dụng cho nhiệm vụ ghi nhãn trình tự này, có khả năng mô hình hóa sự phụ thuộc giữa các nhãn liên tiếp?

Mô hình K-Means.

Mô hình Naive Bayes.

Mô hình Conditional Random Fields (CRF).

Mô hình Hồi quy tuyến tính.

Conditional Random Fields (CRF) và Hidden Markov Models (HMM) là các mô hình xác suất tuần tự truyền thống rất phổ biến cho các nhiệm vụ ghi nhãn trình tự như POS Tagging, NER. Các mô hình học sâu như Bi-LSTM-CRF hoặc Transformer cũng rất hiệu quả.

28 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 28: Trong xử lý ngôn ngữ tự nhiên, thuật ngữ 'corpus' (kho ngữ liệu) có ý nghĩa gì?

Một tập hợp lớn các văn bản hoặc dữ liệu ngôn ngữ.

Một thuật toán dùng để phân tích cú pháp.

Kết quả của quá trình Stemming.

Một loại mô hình học máy.

Corpus là một tập hợp lớn và có cấu trúc của văn bản hoặc lời nói, được sử dụng để nghiên cứu ngôn ngữ hoặc huấn luyện các mô hình NLP.

29 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 29: Bạn cần xử lý một văn bản chứa nhiều thuật ngữ chuyên ngành mà mô hình ngôn ngữ lớn được huấn luyện chung chưa gặp bao giờ (Out-of-Vocabulary words). Kỹ thuật mã hóa từ (tokenization) nào sau đây giúp giảm thiểu vấn đề này bằng cách chia các từ hiếm thành các đơn vị nhỏ hơn dựa trên tần suất xuất hiện?

Word Tokenization (Tách từ theo khoảng trắng).

Character Tokenization (Tách theo ký tự).

Sentence Tokenization (Tách câu).

Subword Tokenization (ví dụ: BPE, WordPiece).

Byte Pair Encoding (BPE) và các phương pháp tương tự (WordPiece, SentencePiece) là các kỹ thuật mã hóa từ dưới từ (subword tokenization). Chúng chia các từ thành các đơn vị nhỏ hơn (subwords) dựa trên tần suất xuất hiện, giúp các mô hình xử lý được các từ hiếm hoặc từ mới bằng cách biểu diễn chúng dưới dạng tổ hợp của các subwords đã biết.

30 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 14

Câu 30: Một hệ thống NLP cần phân tích câu 'Mèo bắt chuột trên mái nhà.' và xác định rằng 'Mèo' là tác nhân thực hiện hành động 'bắt', 'chuột' là đối tượng bị tác động, và 'trên mái nhà' là địa điểm của hành động. Nhiệm vụ NLP nào đang được thực hiện?

Semantic Role Labeling (SRL).

Dependency Parsing (Phân tích phụ thuộc).

Part-of-Speech Tagging (Gắn thẻ từ loại).

Named Entity Recognition (NER).

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Semantic Role Labeling (SRL - Gán nhãn vai trò ngữ nghĩa) là nhiệm vụ xác định các vai trò ngữ nghĩa (như tác nhân - Agent, đối tượng - Patient, địa điểm - Location, thời gian - Time) của các thành phần trong câu liên quan đến một động từ hoặc vị từ (predicate).

Bạn đã sẵn sàng chưa? 45 phút làm bài bắt đầu!!!

Bạn đã hết giờ làm bài! Xem kết quả các câu hỏi đã làm nhé!!!

Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Trắc nghiệm Xử lí ngôn ngữ tự nhiên - Đề 15

1 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 1: Trong quá trình tiền xử lý văn bản cho NLP, kỹ thuật nào giúp giảm số lượng chiều của dữ liệu văn bản bằng cách loại bỏ các từ phổ biến nhưng ít mang lại thông tin ngữ nghĩa đặc trưng cho văn bản?

Stemming (cắt gốc từ)

Lemmatization (nguyên mẫu hóa từ)

Loại bỏ Stop words (từ dừng)

Tokenization (phân tách từ)

Câu hỏi tập trung vào kỹ thuật giảm chiều dữ liệu trong NLP bằng cách loại bỏ từ phổ biến, đây chính là mục tiêu của việc loại bỏ stop words.

2 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 2: Mô hình Bag-of-Words (BoW) biểu diễn văn bản dưới dạng vectơ. Hạn chế chính của mô hình BoW là gì?

Không thể xử lý văn bản dài

Mất thông tin về thứ tự và ngữ cảnh của từ

Khó khăn trong việc xử lý từ đồng nghĩa

Yêu cầu bộ nhớ lớn để lưu trữ vectơ

Câu hỏi kiểm tra hiểu biết về hạn chế của mô hình BoW. BoW bỏ qua thứ tự từ, mất đi thông tin ngữ cảnh quan trọng.

3 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 3: TF-IDF là một phương pháp lượng hóa văn bản. TF (Term Frequency) và IDF (Inverse Document Frequency) trong TF-IDF lần lượt đo lường điều gì?

TF: Tần suất từ trong văn bản, IDF: Độ quan trọng của từ trong tập văn bản

TF: Độ quan trọng của từ trong tập văn bản, IDF: Tần suất từ trong văn bản

TF: Tần suất từ trong tập văn bản, IDF: Tần suất văn bản chứa từ

TF: Độ dài trung bình của từ, IDF: Tần suất từ xuất hiện ở đầu văn bản

Câu hỏi yêu cầu giải thích ý nghĩa của TF và IDF trong TF-IDF. TF đo tần suất từ trong văn bản, IDF đo độ hiếm của từ trong tập văn bản.

4 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 4: Word embedding (nhúng từ) là kỹ thuật biểu diễn từ dưới dạng vectơ số. Ưu điểm chính của word embedding so với các phương pháp như BoW hay TF-IDF là gì?

Dễ dàng tính toán và xử lý

Yêu cầu ít dữ liệu huấn luyện hơn

Không phụ thuộc vào kích thước từ vựng

Nắm bắt được ngữ nghĩa và quan hệ ngữ nghĩa giữa các từ

Câu hỏi so sánh word embedding với BoW/TF-IDF, tập trung vào ưu điểm của word embedding. Word embedding nắm bắt được ngữ nghĩa và quan hệ giữa các từ.

5 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 5: Xét bài toán phân loại văn bản (text classification). Đâu là một ứng dụng thực tế của bài toán này?

Dịch tự động văn bản từ tiếng Anh sang tiếng Việt

Phân loại email vào hộp thư 'Spam' hoặc 'Không spam'

Tạo ra văn bản mô tả hình ảnh

Tìm kiếm thông tin trên internet bằng giọng nói

Câu hỏi yêu cầu xác định ứng dụng thực tế của phân loại văn bản. Phân loại email spam/không spam là ứng dụng phổ biến.

6 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 6: Nhiệm vụ Named Entity Recognition (NER - Nhận dạng thực thể có tên) trong NLP nhằm mục đích gì?

Phân tích cảm xúc (tích cực, tiêu cực, trung tính) của văn bản

Phân loại văn bản theo chủ đề hoặc thể loại

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

Tóm tắt nội dung chính của một văn bản dài

Câu hỏi định nghĩa nhiệm vụ NER. NER xác định và phân loại các thực thể có tên trong văn bản (tên người, tổ chức, địa điểm...).

7 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 7: Recurrent Neural Network (RNN - Mạng nơ-ron hồi quy) thường được sử dụng trong NLP cho các bài toán xử lý chuỗi. Nhược điểm chính của RNN là gì, đặc biệt khi xử lý chuỗi dài?

Khó khăn trong việc song song hóa tính toán

Yêu cầu lượng dữ liệu huấn luyện rất lớn

Khả năng xử lý từ vựng hạn chế

Vấn đề vanishing gradient (mất mát đạo hàm) khi xử lý chuỗi dài

Câu hỏi về nhược điểm của RNN, đặc biệt với chuỗi dài. RNN gặp vấn đề vanishing gradient khi chuỗi quá dài, khó học phụ thuộc xa.

8 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 8: Mô hình Transformer đã đạt được những thành công vượt trội trong nhiều bài toán NLP. Cơ chế 'Attention' (chú ý) trong Transformer có vai trò gì?

Cho phép mô hình tập trung vào các phần khác nhau của chuỗi đầu vào khi đưa ra dự đoán

Tăng tốc độ huấn luyện mô hình

Giảm số lượng tham số của mô hình

Thay thế hoàn toàn các lớp RNN trong mô hình

Câu hỏi về vai trò của cơ chế Attention trong Transformer. Attention cho phép mô hình tập trung vào các phần quan trọng của đầu vào khi xử lý.

9 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 9: Mô hình BERT (Bidirectional Encoder Representations from Transformers) là một kiến trúc Transformer mạnh mẽ. Điểm đặc biệt của BERT so với các mô hình ngôn ngữ trước đó là gì?

Sử dụng cơ chế attention hiệu quả hơn

Có khả năng xử lý chuỗi văn bản rất dài

Huấn luyện mô hình ngôn ngữ hai chiều (bidirectional)

Sử dụng ít tham số hơn so với các mô hình khác

Câu hỏi về điểm đặc biệt của BERT. BERT là mô hình Transformer hai chiều, xem xét ngữ cảnh cả trước và sau của từ.

10 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 10: Trong bài toán dịch máy (machine translation), BLEU score (Bilingual Evaluation Understudy) là một độ đo phổ biến để đánh giá chất lượng bản dịch. BLEU score đo lường điều gì?

Độ trôi chảy và tự nhiên của bản dịch

Mức độ tương đồng về từ vựng và thứ tự từ giữa bản dịch máy và bản dịch tham khảo

Khả năng giữ nguyên ý nghĩa của bản gốc trong bản dịch

Tốc độ dịch của hệ thống dịch máy

Câu hỏi về độ đo BLEU trong dịch máy. BLEU đo mức độ tương đồng giữa bản dịch máy và bản dịch tham khảo của con người.

11 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 11: Xét bài toán tóm tắt văn bản (text summarization). Phương pháp 'Extractive summarization' (tóm tắt trích xuất) hoạt động như thế nào?

Tạo ra văn bản tóm tắt mới hoàn toàn, diễn đạt lại ý chính bằng từ ngữ khác

Sử dụng mô hình học sâu để tạo ra tóm tắt ngắn gọn hơn văn bản gốc

Dịch văn bản gốc sang ngôn ngữ khác và sử dụng bản dịch làm tóm tắt

Chọn lọc và sắp xếp lại các câu quan trọng nhất từ văn bản gốc để tạo thành bản tóm tắt

Câu hỏi về phương pháp tóm tắt trích xuất. Phương pháp này chọn lọc các câu quan trọng từ văn bản gốc để tạo tóm tắt.

12 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 12: Phương pháp 'Abstractive summarization' (tóm tắt trừu tượng) khác biệt như thế nào so với 'Extractive summarization'?

Tạo ra tóm tắt bằng cách diễn đạt lại ý chính của văn bản gốc bằng từ ngữ mới, có thể không trực tiếp lấy từ văn bản gốc

Chỉ đơn giản là rút ngắn độ dài của văn bản gốc bằng cách loại bỏ các câu ít quan trọng

Luôn tạo ra tóm tắt ngắn hơn và chính xác hơn so với extractive summarization

Chỉ áp dụng được cho các văn bản khoa học, kỹ thuật

Câu hỏi so sánh tóm tắt trừu tượng với trích xuất. Tóm tắt trừu tượng tạo ra câu mới, diễn đạt lại ý chính, không chỉ chọn câu từ văn bản gốc.

13 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 13: Trong hệ thống chatbot, 'Intent recognition' (nhận dạng ý định) là một thành phần quan trọng. Nhiệm vụ của intent recognition là gì?

Tạo ra câu trả lời tự động cho người dùng

Phân tích cảm xúc của người dùng trong cuộc trò chuyện

Xác định ý định hoặc mục đích của người dùng dựa trên câu nói của họ

Chuyển đổi giọng nói của người dùng thành văn bản

Câu hỏi về nhiệm vụ intent recognition trong chatbot. Intent recognition xác định mục đích hoặc ý định của người dùng qua câu nói.

14 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 14: 'Dialogue management' (quản lý hội thoại) là một thành phần khác trong hệ thống chatbot. Dialogue management đảm nhiệm vai trò gì?

Nhận dạng ý định của người dùng

Quản lý luồng hội thoại, quyết định phản hồi tiếp theo của chatbot dựa trên lịch sử hội thoại và ý định người dùng

Chuyển đổi văn bản thành giọng nói để chatbot có thể 'nói chuyện'

Lưu trữ lịch sử hội thoại để tham khảo sau này

Câu hỏi về vai trò của dialogue management trong chatbot. Dialogue management quản lý luồng hội thoại, quyết định phản hồi tiếp theo của chatbot.

15 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 15: Semantic similarity (tương đồng ngữ nghĩa) là một khái niệm quan trọng trong NLP. Khi đánh giá độ tương đồng ngữ nghĩa giữa hai câu, chúng ta quan tâm đến điều gì?

Số lượng từ chung giữa hai câu

Thứ tự từ trong hai câu có giống nhau không

Hai câu có sử dụng cùng một cấu trúc ngữ pháp không

Ý nghĩa hoặc thông điệp mà hai câu truyền tải có tương tự nhau không

Câu hỏi về semantic similarity. Tương đồng ngữ nghĩa quan tâm đến ý nghĩa tương tự giữa hai câu, không chỉ từ vựng bề mặt.

16 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 16: WordNet là một cơ sở dữ liệu từ vựng lớn trong tiếng Anh. WordNet tổ chức các từ vựng như thế nào?

Thành các nhóm từ đồng nghĩa (synsets) và các quan hệ ngữ nghĩa giữa chúng

Theo thứ tự bảng chữ cái

Thành các cây phân cấp ngữ pháp

Dựa trên tần suất xuất hiện của từ trong văn bản

Câu hỏi về cấu trúc của WordNet. WordNet tổ chức từ vựng thành các synset (nhóm từ đồng nghĩa), liên kết nhau qua quan hệ ngữ nghĩa.

17 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 17: Sentiment analysis (phân tích cảm xúc) có thể được thực hiện ở các mức độ khác nhau. Phân tích cảm xúc ở mức độ 'Aspect-based sentiment analysis' (phân tích cảm xúc dựa trên khía cạnh) tập trung vào điều gì?

Xác định cảm xúc chung của toàn bộ văn bản (tích cực, tiêu cực, trung tính)

Xác định cảm xúc đối với từng khía cạnh hoặc thuộc tính cụ thể của đối tượng được đánh giá (ví dụ: đánh giá về 'pin', 'màn hình', 'camera' của một điện thoại)

Phân loại văn bản theo các loại cảm xúc khác nhau (vui, buồn, giận, sợ...)

Đánh giá độ mạnh của cảm xúc (ví dụ: rất tích cực, hơi tiêu cực...)

Câu hỏi về aspect-based sentiment analysis. Phân tích này xác định cảm xúc cho từng khía cạnh cụ thể của đối tượng được đánh giá.

18 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 18: Cross-lingual NLP (NLP đa ngôn ngữ) là lĩnh vực nghiên cứu xử lý ngôn ngữ trên nhiều ngôn ngữ khác nhau. Một thách thức lớn trong cross-lingual NLP là gì?

Sự thiếu hụt các công cụ NLP cho tiếng Anh

Khó khăn trong việc thu thập dữ liệu văn bản lớn

Sự khác biệt về ngôn ngữ, văn hóa và cấu trúc ngữ pháp giữa các ngôn ngữ

Chi phí tính toán quá cao để xử lý nhiều ngôn ngữ

Câu hỏi về thách thức trong NLP đa ngôn ngữ. Sự khác biệt về ngôn ngữ (từ vựng, ngữ pháp, cú pháp...) là thách thức lớn.

19 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 19: Zero-shot learning trong NLP là gì?

Học máy không cần dữ liệu huấn luyện

Huấn luyện mô hình trên dữ liệu tổng hợp

Chuyển giao kiến thức từ ngôn ngữ này sang ngôn ngữ khác

Khả năng mô hình thực hiện một nhiệm vụ hoặc phân loại dữ liệu vào các lớp mà mô hình chưa từng được huấn luyện trực tiếp

Câu hỏi về zero-shot learning. Zero-shot learning là khả năng mô hình thực hiện nhiệm vụ trên nhãn/lớp chưa từng thấy trong quá trình huấn luyện.

20 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 20: Few-shot learning trong NLP khác với zero-shot learning như thế nào?

Few-shot learning không cần bất kỳ dữ liệu huấn luyện nào, trong khi zero-shot learning cần một lượng lớn dữ liệu.

Few-shot learning sử dụng một lượng nhỏ dữ liệu ví dụ cho mỗi lớp mới, trong khi zero-shot learning không sử dụng ví dụ nào cho lớp mới.

Few-shot learning chỉ áp dụng cho bài toán phân loại văn bản, zero-shot learning áp dụng cho dịch máy.

Few-shot learning luôn đạt độ chính xác cao hơn zero-shot learning.

Câu hỏi so sánh few-shot learning với zero-shot learning. Few-shot learning sử dụng một lượng rất nhỏ dữ liệu ví dụ cho mỗi lớp mới.

21 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 21: Contextual word embeddings (nhúng từ theo ngữ cảnh) là gì và tại sao chúng quan trọng?

Biểu diễn từ dưới dạng vectơ số nguyên thay vì vectơ số thực

Nhúng các từ hiếm gặp vào không gian vectơ

Biểu diễn một từ khác nhau trong các ngữ cảnh khác nhau, giúp mô hình NLP hiểu rõ hơn nghĩa của từ trong câu

Tạo ra biểu diễn từ không phụ thuộc vào ngôn ngữ

Câu hỏi về contextual word embeddings. Contextual embeddings tạo ra biểu diễn khác nhau cho cùng một từ tùy theo ngữ cảnh, khắc phục nhược điểm của static embeddings.

22 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 22: Mô hình ngôn ngữ lớn (Large Language Models - LLMs) như GPT-3 đã thể hiện khả năng ấn tượng trong nhiều nhiệm vụ NLP. Một hạn chế của LLMs hiện nay là gì?

Có thể tạo ra văn bản không chính xác về mặt thực tế hoặc chứa đựng thành kiến do dữ liệu huấn luyện

Khả năng xử lý ngôn ngữ tiếng Việt còn hạn chế

Yêu cầu phần cứng quá mạnh để chạy

Chưa thể ứng dụng trong thực tế

Câu hỏi về hạn chế của LLMs. LLMs có thể tạo ra văn bản không chính xác hoặc thiên vị do dữ liệu huấn luyện.

23 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 23: Giải thích ngắn gọn về kỹ thuật 'fine-tuning' (tinh chỉnh) trong học sâu cho NLP.

Huấn luyện mô hình từ đầu với dữ liệu lớn

Huấn luyện tiếp một mô hình đã được tiền huấn luyện trên một tập dữ liệu nhỏ hơn, cụ thể cho một nhiệm vụ NLP cụ thể

Thay đổi kiến trúc mô hình học sâu

Giảm kích thước của mô hình học sâu

Câu hỏi về fine-tuning. Fine-tuning là quá trình huấn luyện tiếp mô hình tiền huấn luyện trên một tập dữ liệu nhỏ hơn, cụ thể cho nhiệm vụ mục tiêu.

24 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 24: 'Tokenization' (phân tách từ) là bước đầu tiên quan trọng trong nhiều quy trình NLP. Kiểu tokenization nào có thể tách từ 'don't' thành hai token 'do' và 'n't'?

Word tokenization (phân tách từ theo khoảng trắng)

Character tokenization (phân tách từ theo ký tự)

WordPiece tokenization (phân tách từ thành các đơn vị nhỏ hơn)

Sentence tokenization (phân tách văn bản thành câu)

Câu hỏi về tokenization, cụ thể là xử lý từ ghép và dấu nháy. WordPiece tokenization thường tách từ ghép thành các subword.

25 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 25: 'Stemming' và 'Lemmatization' đều là kỹ thuật đưa từ về dạng gốc. Sự khác biệt chính giữa stemming và lemmatization là gì?

Stemming cắt bỏ hậu tố một cách đơn giản, có thể tạo ra gốc từ không có nghĩa; Lemmatization đưa về dạng từ điển (lemma) có nghĩa, dựa trên từ vựng và phân tích hình thái học

Stemming chậm hơn và phức tạp hơn lemmatization

Stemming chỉ áp dụng cho tiếng Anh, lemmatization áp dụng được cho nhiều ngôn ngữ

Stemming giữ lại nhiều thông tin ngữ pháp hơn lemmatization

Câu hỏi so sánh stemming và lemmatization. Stemming cắt bỏ hậu tố đơn giản, lemmatization đưa về dạng từ điển có nghĩa.

26 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 26: 'Part-of-speech tagging' (gán nhãn từ loại) là gì và tại sao nó hữu ích trong NLP?

Loại bỏ các từ không quan trọng trong văn bản

Gán nhãn từ loại (danh từ, động từ, tính từ...) cho mỗi từ trong câu, giúp phân tích cú pháp và ngữ nghĩa của câu

Chuyển đổi văn bản thành dạng số để máy tính có thể xử lý

Tìm kiếm các thực thể có tên trong văn bản

Câu hỏi về POS tagging và ứng dụng. POS tagging gán nhãn từ loại cho mỗi từ, giúp phân tích cú pháp và ngữ nghĩa.

27 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 27: 'Dependency parsing' (phân tích cú pháp phụ thuộc) biểu diễn cấu trúc cú pháp của câu như thế nào?

Biểu diễn câu dưới dạng cây phân cấp ngữ pháp theo cụm từ

Phân chia câu thành các cụm từ ngữ pháp

Biểu diễn cấu trúc câu thông qua các mối quan hệ phụ thuộc giữa các từ trong câu, chỉ ra từ nào phụ thuộc vào từ nào

Gán nhãn từ loại cho từng từ trong câu

Câu hỏi về dependency parsing. Dependency parsing biểu diễn cấu trúc câu qua quan hệ phụ thuộc giữa các từ.

28 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 28: 'Coreference resolution' (giải quyết đồng tham chiếu) là gì và tại sao nó quan trọng trong NLP?

Dịch các cụm từ đồng nghĩa sang ngôn ngữ khác

Tìm kiếm các cụm từ khóa quan trọng trong văn bản

Phân loại các cụm từ theo chủ đề

Xác định tất cả các cụm từ (ví dụ: đại từ, cụm danh từ) trong văn bản cùng tham chiếu đến cùng một thực thể thực tế, giúp hiểu rõ hơn về mạch lạc và ý nghĩa của văn bản

Câu hỏi về coreference resolution. Coreference resolution xác định các cụm từ cùng chỉ một thực thể trong văn bản, quan trọng để hiểu mạch lạc văn bản.

29 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 29: Cho một đoạn văn bản về đánh giá sản phẩm. Hãy xác định nhiệm vụ NLP nào phù hợp nhất để tự động phân tích xem đánh giá này là tích cực, tiêu cực hay trung tính.

Sentiment analysis (phân tích cảm xúc)

Named Entity Recognition (NER - Nhận dạng thực thể có tên)

Machine Translation (dịch máy)

Text Summarization (tóm tắt văn bản)

Câu hỏi tình huống về chọn nhiệm vụ NLP cho phân tích đánh giá sản phẩm. Phân tích cảm xúc (sentiment analysis) là nhiệm vụ phù hợp.

30 / 30

Category: Trắc nghiệm Xử lí ngôn ngữ tự nhiên

Tags: Bộ đề 15

Câu 30: Bạn muốn xây dựng một hệ thống hỏi đáp tự động (Question Answering system) dựa trên một bộ tài liệu cho trước. Nhiệm vụ NLP cốt lõi nào cần được thực hiện để tìm ra câu trả lời chính xác cho câu hỏi?

Text generation (sinh văn bản)

Topic modeling (mô hình hóa chủ đề)

Information retrieval (truy xuất thông tin) và Reading comprehension (đọc hiểu)

Speech recognition (nhận dạng giọng nói)

Xem kết quả

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Nhận kết quả

Xảy ra lỗi

Bước 1: Vào google.com rồi gõ từ khóa:
Copy nhanh thanh-tim-kiem

Bước 2: Trong kết quả tìm kiếm Google, hãy tìm website giống hình bên dưới

Nếu trang 1 không có hãy tìm ở trang 2, 3, 4... nhé trang-google

Bước 3:

Cuộn xuống cuối bài viết rồi bấm vào nút GIỐNG HÌNH DƯỚI và chờ 1 lát để lấy mã:

luot-xem

Nếu tìm không thấy mã bạn có thể Đổi nhiệm vụ để lấy mã khác.

Câu hỏi tình huống về nhiệm vụ NLP cho hệ thống hỏi đáp. Information retrieval (truy xuất thông tin) và reading comprehension (đọc hiểu) là cần thiết để tìm và hiểu câu trả lời.

Đề trắc nghiệm liên quan:

Đề Thi Thử Trắc Nghiệm Online – Môn Tài Chính Doanh Nghiệp
Đề Thi Thử Trắc Nghiệm Online – Môn Luật Doanh Nghiệp
Đề Thi Thử Trắc Nghiệm Online – Môn Phân Tích Chính Sách Đối Ngoại
Đề Thi Thử Trắc Nghiệm Online – Môn Quản Trị Giao Nhận Và Vận Chuyển Hàng Hóa Quốc Tế
Đề Thi Thử Trắc Nghiệm Online – Môn Kế Toán Tài Chính 2

Đề 01

Đề 02

Đề 03

Đề 04

Đề 05

Đề 06

Đề 07

Đề 08

Đề 09

Đề 10

Đề 11

Đề 12

Đề 13

Đề 14

Đề 15

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quảbạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Đề trắc nghiệm liên quan:

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha

Bạn ơi!!! Để xem được kết quả
bạn vui lòng làm nhiệm vụ nhỏ xíu này nha