Cơ chế 'Attention' trong các mô hình NLP hiện đại giúp giải quyết vấn đề gì?

• A. Giảm thiểu số lượng tham số của mô hình.
• B. Cho phép mô hình tập trung vào các phần quan trọng nhất của chuỗi đầu vào khi tạo ra chuỗi đầu ra.
• C. Tăng tốc độ huấn luyện mô hình.
• D. Loại bỏ hoàn toàn các từ dừng (stop words).

Trong mô hình Seq2Seq, 'Decoder' có vai trò gì?

• A. Chuyển đổi câu đầu vào thành vector biểu diễn.
• B. Tạo ra chuỗi đầu ra từng bước, sử dụng vector ngữ cảnh từ Encoder và các token đã tạo ra trước đó.
• C. Phân tích cú pháp của câu đầu vào.
• D. Xác định các thực thể được đặt tên.

Mô hình BERT (Bidirectional Encoder Representations from Transformers) nổi bật nhờ khả năng học biểu diễn từ ngữ cảnh hai chiều. Điều này có nghĩa là gì?

• A. Mô hình chỉ xem xét các từ đứng trước một từ nhất định.
• B. Mô hình xem xét cả các từ đứng trước và đứng sau một từ để hiểu ngữ cảnh của từ đó.
• C. Mô hình chỉ học từ các văn bản có hai hướng khác nhau.
• D. Mô hình tạo ra hai bản dịch cho mỗi câu.

Trong lĩnh vực Question Answering (QA), loại câu hỏi nào thường yêu cầu mô hình xác định một đoạn văn bản cụ thể cung cấp câu trả lời?

• A. Câu hỏi mở (Open-domain questions)
• B. Câu hỏi dạng 'Factoid' hoặc 'Extractive QA'
• C. Câu hỏi suy luận (Inferential questions)
• D. Câu hỏi đánh giá (Evaluative questions)

Kỹ thuật 'Named Entity Recognition' (NER) giúp xác định và phân loại loại thông tin nào trong văn bản?

• A. Các câu có cấu trúc ngữ pháp sai.
• B. Các thực thể được đặt tên như tên người, tổ chức, địa điểm, ngày tháng.
• C. Các từ đồng nghĩa và trái nghĩa.
• D. Các mẫu câu lặp đi lặp lại trong văn bản.

Trong các mô hình ngôn ngữ lớn (LLMs) như GPT, khái niệm 'Prompt Engineering' đề cập đến việc gì?

• A. Thiết kế kiến trúc mạng nơ-ron.
• B. Huấn luyện mô hình từ đầu.
• C. Thiết kế các câu lệnh (prompt) đầu vào để hướng dẫn mô hình tạo ra kết quả mong muốn.
• D. Tối ưu hóa phần cứng cho việc chạy mô hình.

Phân tích tình cảm (Sentiment Analysis) trong NLP nhằm mục đích gì?

• A. Dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác.
• B. Xác định ý kiến, thái độ, hoặc cảm xúc (tích cực, tiêu cực, trung tính) được thể hiện trong văn bản.
• C. Tóm tắt nội dung chính của một đoạn văn dài.
• D. Phát hiện và phân loại các thực thể được đặt tên (tên người, địa điểm, tổ chức).

Kỹ thuật 'Text Summarization' có hai loại chính là extractive và abstractive. Sự khác biệt cơ bản là gì?

• A. Extractive chọn lọc câu/cụm từ nguyên bản, Abstractive tạo câu mới hoàn toàn.
• B. Extractive dịch văn bản, Abstractive tóm tắt.
• C. Extractive phân tích cú pháp, Abstractive phân tích ngữ nghĩa.
• D. Extractive chỉ áp dụng cho văn bản tiếng Anh, Abstractive cho mọi ngôn ngữ.

Khái niệm 'Zero-shot learning' trong NLP đề cập đến khả năng của mô hình làm gì?

• A. Chỉ hoạt động trên dữ liệu đã được huấn luyện.
• B. Thực hiện một nhiệm vụ mà không cần bất kỳ ví dụ huấn luyện nào cho nhiệm vụ đó.
• C. Yêu cầu lượng lớn dữ liệu được gán nhãn.
• D. Chỉ hoạt động với các mô hình ngôn ngữ nhỏ.

Mô hình 'Transformer' có bao nhiêu thành phần chính trong mỗi khối Encoder và Decoder?

• A. Một cơ chế Self-Attention và một Feed-Forward Network.
• B. Một cơ chế Self-Attention, một Feed-Forward Network và một cơ chế Attention với Encoder.
• C. Một cơ chế RNN và một cơ chế CNN.
• D. Chỉ có một cơ chế Self-Attention.

Trong Chatbot, 'Intent Recognition' là bước quan trọng nhằm mục đích gì?

• A. Xác định chính tả của từ người dùng nhập.
• B. Hiểu ý định hoặc mục đích của người dùng đằng sau câu hỏi/yêu cầu của họ.
• C. Tạo ra câu trả lời tự động có giọng điệu hài hước.
• D. Duy trì lịch sử cuộc trò chuyện.

Kỹ thuật 'Lemmatization' khác với 'Stemming' ở điểm nào?

• A. Lemmatization chỉ áp dụng cho động từ, Stemming áp dụng cho mọi loại từ.
• B. Lemmatization đưa từ về dạng gốc có nghĩa (lemma), còn Stemming chỉ cắt bỏ hậu tố/tiền tố mà không đảm bảo từ mới có nghĩa.
• C. Stemming chính xác hơn Lemmatization.
• D. Lemmatization yêu cầu ít tài nguyên tính toán hơn.

Kỹ thuật 'Word Embeddings' (như Word2Vec, GloVe) khác biệt với Bag-of-Words ở điểm nào?

• A. Word Embeddings chỉ sử dụng các từ đơn lẻ, không quan tâm đến ngữ cảnh.
• B. Word Embeddings biểu diễn từ dưới dạng vector dày đặc (dense vector) nắm bắt mối quan hệ ngữ nghĩa và ngữ cảnh, còn BoW là vector thưa thớt (sparse vector) dựa trên tần suất.
• C. BoW có khả năng học biểu diễn ngữ cảnh tốt hơn.
• D. Word Embeddings yêu cầu ít dữ liệu huấn luyện hơn.

Kỹ thuật 'Few-shot learning' trong NLP có nghĩa là gì?

• A. Mô hình chỉ cần một ví dụ để học một nhiệm vụ.
• B. Mô hình học hiệu quả với một số lượng rất nhỏ các ví dụ huấn luyện cho một nhiệm vụ mới.
• C. Mô hình tự động tạo ra dữ liệu huấn luyện.
• D. Mô hình hoạt động tốt nhất khi không có dữ liệu huấn luyện.

Mô hình 'BERT' được huấn luyện ban đầu trên hai nhiệm vụ chính là Masked Language Model (MLM) và nhiệm vụ nào nữa?

• A. Next Sentence Prediction (NSP)
• B. Text Summarization
• C. Machine Translation
• D. Sentiment Analysis

Kỹ thuật 'Masked Language Modeling' (MLM) được sử dụng trong các mô hình như BERT để làm gì?

• A. Dự đoán từ tiếp theo trong câu.
• B. Tạo ra các câu văn mới hoàn toàn.
• C. Huấn luyện mô hình bằng cách yêu cầu nó dự đoán các từ bị che (mask) trong câu.
• D. Phân loại văn bản theo chủ đề.

Kỹ thuật 'Topic Modeling' (như LDA - Latent Dirichlet Allocation) thường được sử dụng để làm gì?

• A. Dịch văn bản từ tiếng Việt sang tiếng Anh.
• B. Xác định các chủ đề tiềm ẩn trong một tập hợp lớn các tài liệu văn bản.
• C. Phân loại email thành spam hoặc không spam.
• D. Tạo ra các câu văn mới có ngữ pháp chính xác.

Trong phân tích văn bản, 'Lemmatization' thường yêu cầu thông tin gì để thực hiện chính xác?

• A. Danh sách các từ dừng (stop words).
• B. Thông tin về loại từ (Part-of-Speech) của mỗi từ.
• C. Tần suất xuất hiện của mỗi từ.
• D. Số lượng câu trong văn bản.

Trong lĩnh vực Xử lý ngôn ngữ tự nhiên (NLP), kỹ thuật nào thường được sử dụng để giảm số lượng từ vựng bằng cách nhóm các từ có gốc chung?

• A. Tokenization
• B. Stemming hoặc Lemmatization
• C. Part-of-Speech Tagging
• D. Named Entity Recognition

Trong các mô hình ngôn ngữ, 'Positional Encoding' được thêm vào đầu vào Embedding để làm gì?

• A. Tăng cường biểu diễn ngữ nghĩa của từ.
• B. Cung cấp thông tin về vị trí của từ trong chuỗi, vì các mô hình như Transformer không có tính tuần hoàn.
• C. Loại bỏ các từ dừng.
• D. Giảm số lượng tham số của mô hình.

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

• A. Mỗi từ trong câu đều độc lập với các từ khác.
• B. Xác suất của một từ chỉ phụ thuộc vào n-1 từ đứng ngay trước nó.
• C. Ngữ nghĩa của câu chỉ phụ thuộc vào các từ khóa chính.
• D. Tất cả các từ trong một đoạn văn đều có tần suất xuất hiện như nhau.

Transfomer là kiến trúc mạng nơ-ron nổi bật trong NLP, đặc trưng bởi việc sử dụng chủ yếu cơ chế nào?

• A. Recurrent Neural Networks (RNNs)
• B. Convolutional Neural Networks (CNNs)
• C. Self-Attention mechanisms
• D. Support Vector Machines (SVMs)

Trong xử lý ngôn ngữ tự nhiên, 'Tokenization' là bước đầu tiên để làm gì?

• A. Chuyển đổi văn bản thành vector số.
• B. Chia nhỏ văn bản thành các đơn vị nhỏ hơn như từ, cụm từ hoặc câu.
• C. Loại bỏ các ký tự đặc biệt.
• D. Phân tích cấu trúc ngữ pháp của câu.

Kỹ thuật 'Text Classification' trong NLP được ứng dụng để làm gì?

• A. Tạo ra các đoạn văn mới có ý nghĩa.
• B. Gán một hoặc nhiều nhãn (category) cho một đoạn văn bản.
• C. Tìm kiếm các từ khóa liên quan trong tài liệu.
• D. Phát hiện lỗi chính tả và ngữ pháp.

Kỹ thuật 'Bag-of-Words' (BoW) biểu diễn văn bản bằng cách nào?

• A. Xem xét thứ tự từ và ngữ pháp của câu.
• B. Tạo ra một vector mà mỗi chiều đại diện cho một từ duy nhất trong kho ngữ liệu, và giá trị là tần suất xuất hiện của từ đó.
• C. Sử dụng mạng nơ-ron để học biểu diễn ngữ cảnh của từ.
• D. Phân tích mối quan hệ ngữ nghĩa giữa các từ trong câu.

Mô hình Language Model (LM) được huấn luyện để làm gì?

• A. Tạo ra hình ảnh từ mô tả văn bản.
• B. Dự đoán xác suất của một chuỗi các từ hoặc dự đoán từ tiếp theo trong một chuỗi.
• C. Phân tích cảm xúc của người dùng.
• D. Tìm kiếm thông tin trên internet.

Trong Chatbot, 'Entity Recognition' (còn gọi là Slot Filling) có vai trò gì?

• A. Hiểu ý định chung của người dùng.
• B. Trích xuất các thông tin cụ thể, quan trọng (thực thể) từ câu nói của người dùng (ví dụ: tên món ăn, địa điểm, thời gian).
• C. Tạo ra câu trả lời hoàn chỉnh.
• D. Xác định cảm xúc của người dùng.

Khi sử dụng 'TF-IDF' (Term Frequency-Inverse Document Frequency) để đánh giá tầm quan trọng của một từ trong một tài liệu, ý nghĩa của 'IDF' là gì?

• A. Tần suất xuất hiện của từ trong tài liệu đó.
• B. Độ hiếm của từ đó trong toàn bộ tập hợp tài liệu (corpus).
• C. Số lượng câu chứa từ đó.
• D. Độ dài của tài liệu.

Trong các mô hình Generative Adversarial Networks (GANs) cho văn bản, vai trò của 'Generator' là gì?

• A. Phát hiện văn bản giả mạo.
• B. Tạo ra văn bản mới, giả lập văn bản thật.
• C. Đánh giá chất lượng của văn bản được tạo ra.
• D. Phân loại văn bản.

Trong các mô hình Sequence-to-Sequence (Seq2Seq), vai trò của 'Encoder' là gì?

• A. Tạo ra chuỗi đầu ra dựa trên biểu diễn ngữ cảnh.
• B. Chuyển đổi chuỗi đầu vào thành một biểu diễn ngữ cảnh (context vector) có chiều cố định.
• C. Thực hiện dịch máy trực tiếp từ ngôn ngữ nguồn sang ngôn ngữ đích.
• D. Đánh giá chất lượng của chuỗi đầu ra.

Trong Machine Translation, khái niệm 'BLEU score' được dùng để làm gì?

• A. Đo lường tốc độ xử lý của mô hình dịch.
• B. Đánh giá chất lượng của bản dịch máy bằng cách so sánh với các bản dịch tham chiếu của con người.
• C. Xác định số lượng từ mới trong văn bản gốc.
• D. Đo lường độ phức tạp ngữ pháp của câu.

Kỹ thuật 'Coreference Resolution' tập trung vào việc xác định các biểu thức ngôn ngữ khác nhau đề cập đến cùng một đối tượng hoặc thực thể. Ví dụ: 'An đi chơi. Cô ấy rất vui.' 'Cô ấy' ở đây là gì?

• A. Một từ đồng nghĩa.
• B. Một thực thể được đặt tên.
• C. Một đại từ tham chiếu đến 'An'.
• D. Một từ dừng.

Kỹ thuật 'Zero-shot Relation Extraction' cho phép mô hình làm gì?

• A. Tìm tất cả các mối quan hệ trong văn bản.
• B. Xác định các mối quan hệ giữa các thực thể mà không cần ví dụ huấn luyện cụ thể cho mối quan hệ đó.
• C. Dự đoán loại mối quan hệ dựa trên tần suất xuất hiện.
• D. Tạo ra các thực thể mới trong văn bản.

Trong quá trình tiền xử lý văn bản, bước 'Stop words removal' có mục đích gì?

• A. Thay thế các từ hiếm bằng các từ phổ biến hơn.
• B. Loại bỏ các từ có tần suất xuất hiện rất cao nhưng ít mang ý nghĩa phân biệt (ví dụ: 'là', 'của', 'và').
• C. Chuyển tất cả các từ về dạng chữ thường.
• D. Phân loại các từ theo loại từ (danh từ, động từ, tính từ,...).

Kỹ thuật 'Word Sense Disambiguation' (WSD) nhằm mục đích gì?

• A. Dịch nghĩa của từ.
• B. Xác định nghĩa chính xác của một từ khi nó có nhiều nghĩa (polysemy) dựa trên ngữ cảnh.
• C. Tìm các từ đồng nghĩa.
• D. Đo lường mức độ phổ biến của từ.

Kỹ thuật 'Data Augmentation' trong NLP có thể bao gồm những hành động nào để tăng cường tập dữ liệu?

• A. Giảm số lượng từ trong câu.
• B. Thay thế từ đồng nghĩa, hoán vị từ, hoặc thêm nhiễu ngẫu nhiên.
• C. Loại bỏ tất cả các câu bị sai ngữ pháp.
• D. Chỉ sử dụng văn bản gốc.

Trong các mô hình sinh văn bản, 'Beam Search' là một chiến lược giải mã nhằm mục đích gì?

• A. Đảm bảo câu trả lời là duy nhất.
• B. Tìm kiếm chuỗi từ có xác suất cao nhất, bằng cách giữ lại một số 'ứng cử viên' tốt nhất tại mỗi bước.
• C. Giảm thiểu thời gian xử lý của mô hình.
• D. Loại bỏ các từ không liên quan.

Kỹ thuật 'Evaluation Metrics' trong NLP dùng để làm gì?

• A. Tạo ra dữ liệu huấn luyện.
• B. Đo lường và đánh giá hiệu suất của các mô hình NLP trên các tác vụ cụ thể.
• C. Tiền xử lý văn bản.
• D. Thiết kế kiến trúc mạng nơ-ron.

Kỹ thuật 'Part-of-Speech Tagging' (POS Tagging) gán nhãn cho mỗi từ trong câu theo loại từ của nó. Ví dụ: 'Nhà' có thể được gán nhãn là gì?

• A. Động từ (Verb)
• B. Trạng từ (Adverb)
• C. Danh từ (Noun)
• D. Giới từ (Preposition)

Cú pháp 'Query, Key, Value' là khái niệm cốt lõi trong cơ chế nào của Transformer?

• A. Feed-Forward Networks
• B. Positional Encoding
• C. Self-Attention
• D. Layer Normalization