1. Trong xử lý ngôn ngữ tự nhiên, `hallucination` đề cập đến hiện tượng gì ở các mô hình ngôn ngữ lớn?
A. Khả năng tạo ra văn bản mạch lạc và tự nhiên.
B. Xu hướng tạo ra thông tin sai lệch hoặc không có thật.
C. Khả năng hiểu và phản hồi các câu hỏi phức tạp.
D. Khả năng học từ dữ liệu phi cấu trúc.
2. Trong xử lý ngôn ngữ tự nhiên, `perplexity` là gì và nó được sử dụng để đánh giá điều gì?
A. Độ phức tạp của một câu.
B. Khả năng dự đoán của một mô hình ngôn ngữ.
C. Mức độ mơ hồ của một từ.
D. Số lượng tham số trong một mô hình.
3. Trong xử lý ngôn ngữ tự nhiên, phương pháp `zero-shot learning` cho phép mô hình làm gì?
A. Học mà không cần bất kỳ dữ liệu huấn luyện nào.
B. Học để thực hiện các tác vụ mà nó chưa từng được huấn luyện trực tiếp.
C. Học từ dữ liệu huấn luyện được tạo tự động.
D. Học bằng cách sử dụng ít tài nguyên tính toán hơn.
4. Phương pháp nào sau đây thường được sử dụng để giảm thiểu tác động của nhiễu và lỗi chính tả trong văn bản trước khi xử lý?
A. Tokenization
B. Stemming
C. Text normalization
D. Part-of-speech tagging
5. Trong xử lý ngôn ngữ tự nhiên, kỹ thuật `n-gram` được sử dụng để làm gì?
A. Phân tích cấu trúc ngữ pháp của câu.
B. Dự đoán từ tiếp theo trong một chuỗi văn bản.
C. Tìm kiếm các từ đồng nghĩa trong văn bản.
D. Chuyển đổi văn bản thành giọng nói.
6. Mô hình ngôn ngữ nào sau đây thường được sử dụng để tạo ra các câu văn mạch lạc và tự nhiên hơn trong các ứng dụng sinh văn bản?
A. Naive Bayes
B. Support Vector Machine (SVM)
C. Recurrent Neural Network (RNN)
D. K-Means Clustering
7. Ưu điểm chính của việc sử dụng Word Embeddings (ví dụ: Word2Vec, GloVe) so với phương pháp `Bag of Words` trong biểu diễn văn bản là gì?
A. Word Embeddings dễ tính toán hơn.
B. Word Embeddings giữ lại thứ tự của các từ trong câu.
C. Word Embeddings nắm bắt được ngữ nghĩa và mối quan hệ giữa các từ.
D. Word Embeddings yêu cầu ít dữ liệu huấn luyện hơn.
8. Trong xử lý ngôn ngữ tự nhiên, `attention mechanism` có vai trò gì?
A. Tăng tốc độ huấn luyện mô hình.
B. Giúp mô hình tập trung vào các phần quan trọng nhất của dữ liệu đầu vào.
C. Giảm kích thước của mô hình.
D. Cải thiện khả năng khái quát hóa của mô hình.
9. Một trong những thách thức lớn nhất trong xử lý ngôn ngữ tự nhiên liên quan đến ngôn ngữ tiếng Việt là gì?
A. Sự thiếu hụt dữ liệu huấn luyện.
B. Tính đa dạng về phương ngữ và cách sử dụng từ ngữ.
C. Sự phức tạp của ngữ pháp.
D. Sự thiếu hụt các công cụ và thư viện hỗ trợ.
10. Trong xử lý ngôn ngữ tự nhiên, kỹ thuật `coreference resolution` giải quyết vấn đề gì?
A. Tìm kiếm các từ đồng nghĩa.
B. Xác định các thực thể khác nhau đề cập đến cùng một đối tượng trong văn bản.
C. Phân tích cấu trúc ngữ pháp của câu.
D. Dịch văn bản sang ngôn ngữ khác.
11. Trong xử lý ngôn ngữ tự nhiên, `stop words` là gì và tại sao chúng thường bị loại bỏ khỏi văn bản trước khi xử lý?
A. Là các từ mang nhiều ý nghĩa khác nhau và cần được làm rõ.
B. Là các từ phổ biến, ít mang ý nghĩa phân biệt và có thể gây nhiễu.
C. Là các từ mới xuất hiện và chưa được định nghĩa rõ ràng.
D. Là các từ viết tắt và cần được mở rộng để hiểu rõ hơn.
12. Kỹ thuật nào sau đây thường được sử dụng để đánh giá chất lượng của một mô hình dịch máy?
A. BLEU (Bilingual Evaluation Understudy)
B. Accuracy
C. Precision
D. Recall
13. Mục tiêu chính của kỹ thuật `Named Entity Recognition` (NER) trong xử lý ngôn ngữ tự nhiên là gì?
A. Phân loại văn bản theo chủ đề.
B. Xác định và phân loại các thực thể có tên trong văn bản.
C. Tóm tắt nội dung chính của văn bản.
D. Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.
14. Điều gì làm cho mô hình GPT (Generative Pre-trained Transformer) trở nên đặc biệt trong lĩnh vực xử lý ngôn ngữ tự nhiên?
A. Khả năng tạo ra văn bản mạch lạc và tự nhiên với độ chính xác cao.
B. Khả năng dịch văn bản giữa nhiều ngôn ngữ khác nhau.
C. Khả năng phân tích cảm xúc trong văn bản.
D. Khả năng nhận dạng thực thể có tên trong văn bản.
15. Trong xử lý ngôn ngữ tự nhiên, mục tiêu của `information retrieval` (IR) là gì?
A. Tóm tắt nội dung của một tài liệu.
B. Tìm kiếm và trả về các tài liệu liên quan đến một truy vấn cụ thể.
C. Phân tích cảm xúc trong một đoạn văn bản.
D. Dịch một tài liệu từ ngôn ngữ này sang ngôn ngữ khác.
16. Kỹ thuật nào trong xử lý ngôn ngữ tự nhiên cho phép máy tính hiểu được ý nghĩa của một câu dựa trên ngữ cảnh và mối quan hệ giữa các từ?
A. Named Entity Recognition (NER)
B. Word Sense Disambiguation (WSD)
C. Part-of-Speech Tagging (POS Tagging)
D. Text Summarization
17. Trong xử lý ngôn ngữ tự nhiên, kỹ thuật `knowledge graph embedding` được sử dụng để làm gì?
A. Biểu diễn các thực thể và mối quan hệ trong knowledge graph dưới dạng vector số.
B. Tự động xây dựng knowledge graph từ văn bản.
C. Truy vấn thông tin từ knowledge graph.
D. Trực quan hóa knowledge graph.
18. Trong xử lý ngôn ngữ tự nhiên, kỹ thuật `sequence-to-sequence` (seq2seq) thường được sử dụng trong các bài toán nào?
A. Phân loại văn bản.
B. Dịch máy và tóm tắt văn bản.
C. Phân tích tình cảm.
D. Nhận dạng thực thể có tên.
19. Trong xử lý ngôn ngữ tự nhiên, kỹ thuật `active learning` được sử dụng để làm gì?
A. Tự động tạo ra dữ liệu huấn luyện mới.
B. Chọn lọc các mẫu dữ liệu quan trọng nhất để gán nhãn, giúp giảm chi phí gán nhãn.
C. Tăng tốc độ huấn luyện mô hình.
D. Giảm kích thước của mô hình.
20. Điều gì là quan trọng nhất để đảm bảo tính công bằng và tránh thiên vị trong các hệ thống xử lý ngôn ngữ tự nhiên?
A. Sử dụng các thuật toán phức tạp nhất.
B. Đảm bảo dữ liệu huấn luyện đa dạng và đại diện cho tất cả các nhóm đối tượng.
C. Sử dụng nhiều tài nguyên tính toán hơn.
D. Tích hợp nhiều nguồn dữ liệu khác nhau.
21. Trong xử lý ngôn ngữ tự nhiên, kỹ thuật `transfer learning` được áp dụng như thế nào?
A. Bằng cách huấn luyện một mô hình mới từ đầu trên một tập dữ liệu lớn.
B. Bằng cách sử dụng kiến thức đã học từ một mô hình huấn luyện trên một tác vụ khác để cải thiện hiệu suất trên tác vụ hiện tại.
C. Bằng cách kết hợp nhiều mô hình khác nhau để tạo ra một mô hình mạnh hơn.
D. Bằng cách giảm kích thước của mô hình để tăng tốc độ xử lý.
22. Trong xử lý ngôn ngữ tự nhiên, `Bag of Words` (BoW) là một phương pháp biểu diễn văn bản. Hạn chế lớn nhất của phương pháp này là gì?
A. Không thể xử lý các ngôn ngữ khác nhau.
B. Không giữ được thứ tự của các từ trong câu.
C. Yêu cầu lượng lớn dữ liệu huấn luyện.
D. Chỉ hoạt động tốt với các văn bản ngắn.
23. Fine-tuning một mô hình ngôn ngữ đã được huấn luyện trước (pre-trained language model) như BERT mang lại lợi ích gì?
A. Giảm thời gian huấn luyện và cải thiện hiệu suất trên các tác vụ cụ thể.
B. Tăng kích thước của mô hình.
C. Đơn giản hóa cấu trúc của mô hình.
D. Cho phép mô hình xử lý nhiều ngôn ngữ hơn.
24. Điều gì là quan trọng nhất cần xem xét khi xây dựng một chatbot?
A. Sử dụng các thuật toán phức tạp nhất.
B. Đảm bảo chatbot có khả năng hiểu và phản hồi một cách tự nhiên và phù hợp với ngữ cảnh.
C. Sử dụng nhiều màu sắc và hình ảnh động để làm cho chatbot hấp dẫn hơn.
D. Tích hợp chatbot với tất cả các nền tảng mạng xã hội.
25. Phương pháp nào trong xử lý ngôn ngữ tự nhiên được sử dụng để phân tích và xác định sắc thái cảm xúc (ví dụ: tích cực, tiêu cực, trung tính) trong một đoạn văn bản?
A. Part-of-Speech Tagging
B. Sentiment Analysis
C. Text Summarization
D. Machine Translation
26. Kỹ thuật nào sau đây được sử dụng để chuyển đổi văn bản thành một dạng số để máy tính có thể xử lý?
A. Tokenization
B. Stemming
C. Vectorization
D. Lemmatization
27. Transformer networks, đặc biệt là mô hình BERT, đã đạt được những tiến bộ đáng kể trong xử lý ngôn ngữ tự nhiên. Điều gì làm cho Transformer networks vượt trội so với các mô hình RNN truyền thống?
A. Transformer networks có thể xử lý các chuỗi dài hiệu quả hơn nhờ cơ chế attention.
B. Transformer networks yêu cầu ít dữ liệu huấn luyện hơn.
C. Transformer networks dễ huấn luyện hơn.
D. Transformer networks có thể xử lý dữ liệu phi cấu trúc tốt hơn.
28. Trong xử lý ngôn ngữ tự nhiên, phương pháp nào thường được sử dụng để giảm số lượng chiều của dữ liệu văn bản, đồng thời giữ lại thông tin quan trọng nhất?
A. Phân tích cú pháp (Parsing)
B. Mô hình hóa chủ đề (Topic Modeling)
C. Sinh văn bản (Text Generation)
D. Phân tích tình cảm (Sentiment Analysis)
29. Sự khác biệt chính giữa `stemming` và `lemmatization` trong xử lý ngôn ngữ tự nhiên là gì?
A. Stemming nhanh hơn nhưng kém chính xác hơn, trong khi lemmatization chậm hơn nhưng chính xác hơn.
B. Stemming chỉ loại bỏ các hậu tố, trong khi lemmatization loại bỏ cả tiền tố và hậu tố.
C. Stemming chỉ áp dụng cho tiếng Anh, trong khi lemmatization áp dụng cho nhiều ngôn ngữ.
D. Stemming sử dụng từ điển, trong khi lemmatization sử dụng các quy tắc.
30. Ứng dụng nào sau đây KHÔNG phải là một ứng dụng phổ biến của xử lý ngôn ngữ tự nhiên?
A. Hệ thống đề xuất sản phẩm.
B. Phát hiện gian lận tài chính.
C. Dự báo thời tiết.
D. Tổng hợp tin tức tự động.
