Đề thi, bài tập trắc nghiệm online Xử lý ngôn ngữ tự nhiên – Đề 14

1. Natural Language Generation (NLG) là quá trình:

A. Chuyển đổi ngôn ngữ viết sang ngôn ngữ nói.

B. Tạo ra văn bản ngôn ngữ tự nhiên từ dữ liệu hoặc thông tin có cấu trúc.

C. Phân tích cấu trúc ngữ pháp của văn bản.

D. Dịch văn bản từ ngôn ngữ tự nhiên sang mã máy.

2. 'Bias' (Thiên kiến) trong dữ liệu huấn luyện có thể gây ra vấn đề gì cho các hệ thống NLP?

A. Tăng tốc độ xử lý.

B. Giảm độ chính xác trên một số nhóm người dùng nhất định.

C. Làm cho mô hình dễ giải thích hơn.

D. Giảm yêu cầu về dữ liệu huấn luyện.

3. Parsing (Phân tích cú pháp) trong NLP có vai trò gì?

A. Loại bỏ các từ không quan trọng.

B. Xác định cấu trúc ngữ pháp của câu.

C. Chuyển đổi văn bản thành dạng vector.

D. Tóm tắt văn bản.

4. Thuật toán nào sau đây thường được sử dụng cho bài toán phân loại văn bản trong NLP?

A. K-Means Clustering.

B. Support Vector Machines (SVM).

C. Principal Component Analysis (PCA).

D. Apriori Algorithm.

5. Sentiment analysis (Phân tích cảm xúc) trong NLP nhằm mục đích:

A. Phân loại văn bản theo chủ đề.

B. Xác định thái độ, cảm xúc (tích cực, tiêu cực, trung lập) được thể hiện trong văn bản.

C. Dịch văn bản sang ngôn ngữ khác.

D. Tóm tắt nội dung văn bản.

6. Phương pháp 'Bag of Words' (Túi từ) trong NLP có nhược điểm chính nào?

A. Yêu cầu lượng lớn dữ liệu huấn luyện.

B. Mất đi thông tin về thứ tự từ trong câu.

C. Khó khăn trong việc xử lý văn bản dài.

D. Chỉ hoạt động tốt với tiếng Anh.

7. Một thách thức lớn trong NLP liên quan đến sự đa dạng của ngôn ngữ là:

A. Tốc độ xử lý chậm của máy tính.

B. Sự biến đổi ngôn ngữ theo vùng miền, thời gian và ngữ cảnh.

C. Thiếu dữ liệu huấn luyện.

D. Sự phức tạp của các thuật toán.

8. Mô hình ngôn ngữ (Language Model) được sử dụng để làm gì trong NLP?

A. Phân loại văn bản theo chủ đề.

B. Dự đoán từ hoặc chuỗi từ tiếp theo trong một câu.

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

D. Tóm tắt nội dung văn bản.

9. Trong NLP, 'Stop words' thường được loại bỏ vì lý do chính nào?

A. Chúng chứa thông tin ngữ nghĩa quan trọng nhưng gây nhiễu.

B. Chúng xuất hiện rất thường xuyên và ít mang lại giá trị phân biệt.

C. Chúng gây khó khăn cho việc tách từ.

D. Chúng chỉ tồn tại trong một số ngôn ngữ nhất định.

10. Semantic analysis (Phân tích ngữ nghĩa) trong NLP tập trung vào:

A. Cấu trúc ngữ pháp của câu.

B. Ý nghĩa của từ và câu.

C. Âm thanh của ngôn ngữ nói.

D. Hình thức viết của ngôn ngữ.

11. Chatbot là một ứng dụng của NLP, tập trung vào:

A. Dịch văn bản giữa các ngôn ngữ.

B. Tương tác và trò chuyện với người dùng bằng ngôn ngữ tự nhiên.

C. Phân tích cảm xúc trong văn bản.

D. Tóm tắt văn bản dài.

12. Text-to-Speech (TTS) hay Speech Synthesis là quá trình:

A. Chuyển đổi giọng nói thành văn bản.

B. Tạo ra giọng nói nhân tạo từ văn bản.

C. Phân tích cảm xúc trong văn bản.

D. Dịch văn bản sang giọng nói.

13. Ứng dụng nào sau đây KHÔNG phải là ứng dụng phổ biến của NLP?

A. Dịch máy (Machine Translation).

B. Nhận dạng khuôn mặt (Facial Recognition).

C. Phân tích cảm xúc (Sentiment Analysis).

D. Chatbot.

14. Kỹ thuật 'Word Embedding' (Nhúng từ) trong NLP có vai trò gì?

A. Biểu diễn từ vựng dưới dạng hình ảnh trực quan.

B. Chuyển đổi từ thành các vector số, nắm bắt ngữ nghĩa.

C. Tăng tốc độ xử lý văn bản.

D. Phát hiện lỗi chính tả trong văn bản.

15. TF-IDF là viết tắt của cụm từ nào và được sử dụng để làm gì trong NLP?

A. Term Frequency - Inverse Document Frequency, đánh giá tầm quan trọng của từ trong văn bản và tập văn bản.

B. Text Filtering - Information Distribution Function, lọc và phân phối thông tin văn bản.

C. Topic Frequency - Inverse Document Filter, xác định tần suất chủ đề và lọc tài liệu.

D. Tree-based Feature - Independent Data Format, định dạng dữ liệu độc lập dựa trên đặc trưng dạng cây.

16. Mục đích chính của việc 'tách từ' (tokenization) trong NLP là gì?

A. Giảm kích thước của văn bản đầu vào.

B. Chia văn bản thành các đơn vị nhỏ hơn, có ý nghĩa (tokens).

C. Loại bỏ các từ không quan trọng khỏi văn bản.

D. Chuyển đổi văn bản sang dạng số.

17. Coreference Resolution (Giải quyết đồng tham chiếu) là gì trong NLP?

A. Phân tích cấu trúc cú pháp của câu.

B. Xác định các từ hoặc cụm từ khác nhau cùng tham chiếu đến một thực thể duy nhất trong văn bản.

C. Dịch các cụm từ đồng nghĩa sang ngôn ngữ khác.

D. Phân loại các câu theo ý nghĩa tương đồng.

18. Công đoạn nào sau đây KHÔNG thuộc quy trình tiền xử lý văn bản trong NLP?

A. Tách từ (Tokenization).

B. Chuẩn hóa văn bản (Text Normalization).

C. Phân tích cảm xúc (Sentiment Analysis).

D. Loại bỏ stop words.

19. Machine Translation (Dịch máy) là một ứng dụng của NLP, với mục tiêu chính là:

A. Tạo ra văn bản ngôn ngữ tự nhiên.

B. Chuyển đổi văn bản từ ngôn ngữ này sang ngôn ngữ khác một cách tự động.

C. Phân tích cấu trúc ngữ pháp của văn bản.

D. Tóm tắt nội dung văn bản.

20. Speech Recognition (Nhận dạng giọng nói) là một lĩnh vực liên quan đến NLP, tập trung vào:

A. Tạo ra giọng nói từ văn bản.

B. Chuyển đổi giọng nói của con người thành văn bản.

C. Phân tích cảm xúc trong giọng nói.

D. Dịch giọng nói từ ngôn ngữ này sang ngôn ngữ khác.

21. BERT là một mô hình ngôn ngữ dựa trên kiến trúc nào?

A. Recurrent Neural Network (RNN).

B. Convolutional Neural Network (CNN).

C. Transformer.

D. Generative Adversarial Network (GAN).

22. Bài toán 'Question Answering' (Hỏi đáp tự động) trong NLP thuộc loại tác vụ nào?

A. Sinh ngôn ngữ tự nhiên (Natural Language Generation).

B. Hiểu ngôn ngữ tự nhiên (Natural Language Understanding).

C. Dịch máy (Machine Translation).

D. Phân tích cảm xúc (Sentiment Analysis).

23. Contextual understanding (Hiểu ngữ cảnh) là yếu tố quan trọng trong NLP vì:

A. Ngôn ngữ luôn được sử dụng trong một bối cảnh nhất định và ngữ cảnh ảnh hưởng đến ý nghĩa.

B. Ngữ cảnh giúp giảm độ phức tạp của mô hình.

C. Ngữ cảnh giúp tăng tốc độ xử lý văn bản.

D. Ngữ cảnh chỉ quan trọng trong ngôn ngữ nói, không quan trọng trong ngôn ngữ viết.

24. Xử lý ngôn ngữ tự nhiên (NLP) là lĩnh vực khoa học máy tính tập trung vào:

A. Phát triển phần cứng máy tính mạnh mẽ hơn.

B. Tương tác giữa máy tính và ngôn ngữ của con người.

C. Thiết kế các thuật toán toán học phức tạp.

D. Nghiên cứu về cấu trúc gen của con người.

25. Entity Recognition (Nhận dạng thực thể) trong NLP nhằm mục đích:

A. Phân loại văn bản theo chủ đề.

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

C. Dịch văn bản sang ngôn ngữ khác.

D. Tóm tắt nội dung văn bản.

26. Summarization (Tóm tắt văn bản) trong NLP có mục đích:

A. Dịch văn bản sang ngôn ngữ khác.

B. Rút gọn văn bản dài thành phiên bản ngắn gọn hơn nhưng vẫn giữ được ý chính.

C. Phân tích cảm xúc trong văn bản.

D. Nhận dạng thực thể trong văn bản.

27. Lexical ambiguity (Tính mơ hồ từ vựng) là một thách thức trong NLP, nó đề cập đến:

A. Sự khác biệt về từ vựng giữa các ngôn ngữ.

B. Một từ có thể có nhiều nghĩa khác nhau.

C. Lỗi chính tả và ngữ pháp trong văn bản.

D. Khó khăn trong việc tách từ.

28. Recurrent Neural Networks (RNNs) đặc biệt phù hợp với xử lý dữ liệu ngôn ngữ vì:

A. Chúng có khả năng xử lý song song hiệu quả.

B. Chúng có khả năng ghi nhớ thông tin từ các bước thời gian trước đó.

C. Chúng dễ dàng giải thích kết quả.

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

29. Attention mechanism (Cơ chế chú ý) trong mô hình Transformer giúp cải thiện điều gì trong NLP?

A. Tốc độ huấn luyện mô hình.

B. Khả năng xử lý các phụ thuộc xa trong câu.

C. Giảm kích thước mô hình.

D. Cải thiện khả năng phân loại cảm xúc.

30. Fine-tuning (Tinh chỉnh) mô hình ngôn ngữ pre-trained (đã được huấn luyện trước) có lợi ích gì?

A. Giảm độ phức tạp của mô hình.

B. Tăng tốc độ suy luận (inference).

C. Cải thiện hiệu suất trên các tác vụ cụ thể với ít dữ liệu hơn.

D. Giảm yêu cầu về bộ nhớ.