《计算语言学》试卷附答案

《计算语言学》试卷附答案一、单项选择题（每题2分，共20分）1.以下哪项不属于计算语言学的核心研究目标？A.开发自然语言处理系统（如机器翻译、问答系统）B.分析语言的历史演变规律（如古汉语到现代汉语的语音变化）C.构建语言的形式化模型（如句法树、语义网络）D.利用统计方法挖掘语言数据中的模式（如词频分布、共现关系）2.乔姆斯基（Chomsky）提出的形式语法体系中，上下文无关语法（Context-FreeGrammar,CFG）对应哪一型语法？A.0型（无约束短语结构语法）B.1型（上下文有关语法）C.2型（上下文无关语法）D.3型（正则语法）3.在隐马尔可夫模型（HiddenMarkovModel,HMM）中，“状态”与“观测”的关系是？A.状态是可直接观测的，观测是隐含的B.状态是隐含的，观测是可直接获取的C.状态与观测一一对应，均为可观测变量D.状态与观测无直接关联，由外部特征决定4.中文分词中的“交集型歧义”是指？A.一个字符串存在两种以上不同的切分方式，且切分结果有部分重叠（如“乒乓球拍卖完了”可切为“乒乓球/拍卖/完了”或“乒乓/球拍/卖完了”）B.一个字符串的切分结果完全不重叠（如“大学生活动中心”可切为“大/学生/活动/中心”或“大学/生/活动/中心”）C.切分结果中存在生僻词，导致歧义（如“门把手”切为“门/把手”或“门把/手”）D.因标点符号缺失导致的歧义（如“他说的对吗”切为“他说/的/对吗”或“他/说的/对吗”）5.以下哪种方法不属于句法分析（SyntacticParsing）的常用技术？A.基于规则的递归下降分析（RecursiveDescentParsing）B.最大熵模型（MaximumEntropyModel）C.依存句法分析（DependencyParsing）D.情感极性分析（SentimentPolarityAnalysis）6.计算词的相似度时，若使用向量空间模型（VectorSpaceModel），“余弦相似度”衡量的是？A.两个向量的长度差异B.两个向量的方向一致性C.两个向量的维度数量D.两个向量的元素和的比值7.语料库标注（CorpusAnnotation）中，“词性标注”（Part-of-SpeechTagging）的主要目的是？A.标注词语的情感倾向（如褒义、贬义）B.标注词语在句子中的语法功能（如名词、动词）C.标注词语的历史来源（如古汉语、外来词）D.标注词语的发音特征（如声母、韵母）8.在统计机器翻译（StatisticalMachineTranslation,SMT）中，“翻译模型”（TranslationModel）主要处理的问题是？A.源语言到目标语言的词序调整B.源语言短语与目标语言短语的对应概率C.目标语言句子的流畅性评估D.源语言句子的句法结构分析9.以下哪项属于语义分析（SemanticAnalysis）的任务？A.计算句子的字符长度B.识别句子中的命名实体（如人名、地名）C.统计文本中的重复词汇D.检测句子的语法错误10.在神经网络模型（如LSTM、Transformer）中，“注意力机制”（AttentionMechanism）的核心作用是？A.减少模型的参数量B.增强模型对序列中长距离依赖的捕捉能力C.加速模型的训练速度D.提高模型的可解释性二、填空题（每空2分，共20分）1.计算语言学的两大研究范式是__________（基于规则）和__________（基于数据）。2.形式语言中，正则语法（3型语法）可被__________（自动机类型）识别。3.隐马尔可夫模型的三个基本问题是：评估问题（给定观测序列求概率）、__________（给定观测序列求最可能的状态序列）、__________（给定观测序列估计模型参数）。4.中文分词的主要歧义类型包括交集型歧义、__________（如“他将来北京”中的“将来”与“将/来”）。5.句法分析的输出通常是__________（如短语结构树）或__________（如依存关系图）。6.词嵌入（WordEmbedding）的典型方法包括__________（基于全局统计的矩阵分解）和__________（基于局部上下文的预测模型）。7.机器翻译的评价指标中，__________（BLEU）通过计算候选翻译与参考翻译的n元语法匹配度来评估质量。三、简答题（每题8分，共40分）1.简述规则驱动方法与数据驱动方法在计算语言学中的优缺点。2.解释“句法歧义”（SyntacticAmbiguity）的概念，并举例说明两种常见类型。3.什么是语料库语言学（CorpusLinguistics）？其核心研究手段与传统语言学研究有何差异？4.对比短语结构语法（PhraseStructureGrammar）与依存语法（DependencyGrammar）的分析视角。5.说明TF-IDF（词频-逆文档频率）的计算公式及其在文本处理中的作用。四、分析题（每题10分，共20分）1.给定句子“他用钢笔写论文”，请用短语结构语法（CFG）绘制其句法树（需标注非终结符，如S、NP、VP、PP等）。2.某语料库中“苹果”一词在1000篇文档中出现，其中在50篇文档中出现过“苹果手机”，在30篇文档中出现过“苹果电脑”，在20篇文档中同时出现“苹果手机”和“苹果电脑”。假设总文档数为10000篇，计算“苹果”与“手机”的互信息（MutualInformation,MI）值（公式：MI(w1,w2)=log2(P(w1,w2)/(P(w1)P(w2)))，结果保留两位小数）。五、论述题（共20分）结合具体实例，论述深度学习（如Transformer模型）对自然语言处理任务（如机器翻译、文本生成）的革新性影响，并分析其局限性。答案一、单项选择题1.B（分析语言历史演变属于传统语言学范畴，非计算语言学核心目标）2.C（乔姆斯基体系中，2型语法对应上下文无关语法）3.B（HMM中状态隐含，观测可直接获取）4.A（交集型歧义的定义是切分结果部分重叠）5.D（情感分析属于语义/语用任务，非句法分析）6.B（余弦相似度衡量向量方向一致性）7.B（词性标注的核心是语法功能标注）8.B（翻译模型处理源-目标短语对应概率）9.B（命名实体识别属于语义分析）10.B（注意力机制增强长距离依赖捕捉）二、填空题1.符号主义；统计主义（或经验主义）2.有限状态自动机（或确定性有限自动机/DFA）3.解码问题；学习问题（或参数估计问题）4.组合型歧义（或覆盖型歧义）5.短语结构树；依存关系图6.LSA（潜在语义分析）；Word2Vec（或GloVe也可，但需区分全局与局部）7.蓝信值（或双语评估替换值）三、简答题1.规则驱动方法：优点是可解释性强，能精确处理特定规则覆盖的语言现象（如中文“把”字句的结构约束）；缺点是规则库构建成本高，难以覆盖语言的开放性和歧义性（如自然语言中的大量例外用法）。数据驱动方法：优点是可自动从大规模数据中学习模式（如通过语料库统计词频共现关系），适应性强；缺点是依赖高质量标注数据，对小样本或低频现象效果较差（如低资源语言的处理任务）。2.句法歧义指句子因结构分析不同导致多种理解。常见类型：①结构歧义（如“咬死了猎人的狗”可理解为“（咬死了猎人）的狗”或“咬死了（猎人的狗）”）；②成分附着歧义（如“他看到女孩和男孩在跳舞”中“和男孩”可附着于“女孩”或“看到”的宾语）。3.语料库语言学以大规模真实文本（语料库）为研究对象，通过统计和计算方法挖掘语言规律（如词频分布、搭配模式）。与传统语言学差异：传统语言学依赖内省或小样本举例，结论可能受主观影响；语料库语言学基于客观数据，结论更具统计显著性（如通过词频统计验证“的”是汉语最高频虚词）。4.短语结构语法关注句子的层级结构（如S→NPVP，VP→VNP），通过非终结符的递归展开描述句法；依存语法关注词与词之间的依赖关系（如“写”支配“他”“钢笔”“论文”，形成“写→他（施事）、写→钢笔（工具）、写→论文（受事）”的有向图）。前者强调整体结构，后者强调局部关系。5.TF-IDF公式：TF-IDF(w,d)=TF(w,d)×IDF(w)，其中TF(w,d)是词w在文档d中的词频，IDF(w)=log(N/df(w))（N为总文档数，df(w)为包含w的文档数）。作用：衡量词w在文档d中的重要性（过滤高频通用词如“的”，突出领域关键词如“计算语言学”）。四、分析题1.句法树示例（层级从顶至底）：S（句子）→NP（名词短语：他）+VP（动词短语）VP→V（动词：写）+NP（名词短语：论文）+PP（介词短语）PP→P（介词：用）+NP（名词短语：钢笔）（注：具体标注可调整，核心结构需体现“他（NP）用钢笔（PP）写论文（VP中的动宾结构）”）2.计算步骤：-P(苹果,手机)=50/10000=0.005-P(苹果)=1000/10000=0.1-P(手机)=（出现“苹果手机”的文档数+其他含“手机”的文档数），但题目未明确其他文档，假设“手机”仅在“苹果手机”中出现，则P(手机)=50/10000=0.005-MI=log2(0.005/(0.1×0.005))=log2(10)≈3.32五、论述题深度学习（如Transformer）对NLP的革新：①长距离依赖建模：Transformer的自注意力机制（Self-Attention）通过计算序列中任意位置的关联，突破了LSTM的长距离依赖限制（如处理“虽然...但是...”等跨句逻辑关系）。②端到端学习：传统方法需人工特征工程（如手工设计句法特征），而Transformer通过多层注意力层自动学习语义表征（如BERT预训练模型可捕捉“苹果”在“吃苹果”与“苹果公司”中的不同语义）。③多任务迁移：预训练-微调（Pre-train&Fine-tune）范式使模型能从大规模无标注数据中学习通用语言知识（如GPT-3通过千亿参数训练，支持