NLP 应用工程师考试试卷及答案

NLP应用工程师考试试卷及答案一、填空题（共10题，每题1分）1.中文分词的基本单位是______。2.Word2Vec的两种训练模型是CBOW和______。3.BERT模型的预训练目标包含掩码语言模型（MLM）和______。4.命名实体识别（NER）需识别文本中的人名、______、地点等实体。5.文本分类的常见方法不包括基于______的方法（统计/规则/深度学习）。6.GPT系列模型采用______架构。7.TF-IDF中，IDF衡量词的______（词频/区分度/长度）。8.情感分析属于______任务（分类/序列标注）。9.机器翻译的主流方法是统计机器翻译和______机器翻译。10.自注意力机制计算序列中______位置之间的依赖关系。二、单项选择题（共10题，每题2分）1.以下不属于中文分词工具的是？A.JiebaB.LTPC.NLTKD.THULAC2.BERT预训练不包含以下哪项？A.MLMB.NSPC.句子匹配D.文本生成3.无监督词向量模型是？A.Word2VecB.BERTC.RoBERTaD.XLNet4.抽取式摘要与生成式摘要的核心区别是？A.是否生成新句子B.是否用TransformerC.是否处理长文本D.是否需标注数据5.属于序列标注任务的是？A.情感分析B.问答系统C.词性标注D.文本分类6.GPT-3的参数量级是？A.10亿B.1750亿C.100亿D.500亿7.注意力机制的核心组件不包括？A.QueryB.KeyC.ValueD.Bias8.统计机器翻译不包含以下模型？A.翻译模型B.语言模型C.注意力模型D.失真模型9.支持多语言的模型是？A.BERT-baseB.RoBERTaC.mBERTD.ALBERT10.文本纠错属于？A.序列生成B.文本分类C.机器翻译D.问答系统三、多项选择题（共10题，每题2分）1.属于深度学习NLP模型的有？A.BERTB.LSTMC.SVMD.Transformer2.NER的常见实体类型包括？A.人名B.地名C.机构名D.时间3.文本预处理步骤有？A.分词B.去停用词C.词向量转换D.模型训练4.BERT的改进模型有？A.RoBERTaB.ALBERTC.XLNetD.T55.机器翻译的评估指标有？A.BLEUB.ROUGEC.METEORD.Accuracy6.属于文本生成任务的有？A.对话系统B.文本摘要C.机器翻译D.词性标注7.注意力机制的应用场景包括？A.机器翻译B.文本摘要C.问答系统D.文本分类8.属于词向量模型的有？A.Word2VecB.GloVeC.FastTextD.BERT9.中文分词的难点有？A.歧义切分B.未登录词C.词性标注D.实体识别10.问答系统的类型包括？A.事实型问答B.开放域问答C.对话型问答D.文本分类四、判断题（共10题，每题2分）1.中文分词只能用深度学习方法。（）2.Word2Vec的CBOW用上下文预测中心词。（）3.BERT输入包含<[BOS_never_used_51bce0c785ca2f68081bfa7d91973934]>和[SEP]标记。（）4.情感分析只能判断正/负面。（）5.GPT系列是双向Transformer。（）6.TF-IDF是有监督方法。（）7.NER常用BIOES标注方式。（）8.神经机器翻译比统计机器翻译效果好。（）9.注意力机制仅用于Transformer。（）10.ROUGE衡量生成文本与参考文本的重合度。（）五、简答题（共4题，每题5分）1.简述中文分词的主要方法及特点。2.对比Word2Vec、GloVe、FastText的差异。3.简述BERT的预训练与微调过程。4.列举文本分类的常见应用场景。六、讨论题（共2题，每题5分）1.讨论Transformer在NLP中的核心优势及影响。2.讨论中文与英文NLP的差异及应对策略。---答案部分一、填空题答案1.词2.Skip-gram3.下一句预测（NSP）4.组织（机构）5.规则（注：题目表述为“不包括”，实际三类方法都有，此处按常见考点调整为“规则”更准确）6.Transformer解码器7.区分度8.分类9.神经10.任意二、单项选择题答案1.C2.D3.A4.A5.C6.B7.D8.C9.C10.A三、多项选择题答案1.ABD2.ABCD3.ABC4.ABCD5.ABC6.ABC7.ABCD8.ABCD9.AB10.ABC四、判断题答案1.×2.√3.√4.×5.×6.×7.√8.√9.×10.√五、简答题答案1.中文分词方法及特点：①规则法：基于词典+语法规则（如FMM），可解释性强，但无法处理未登录词和歧义；②统计法：通过语料统计词频/共现概率（如n-gram），能处理部分未登录词，依赖大规模语料；③深度学习法：基于LSTM/Transformer，学习上下文语义，解决歧义（如“苹果手机”切分）和未登录词，是当前主流，缺点是模型复杂。2.三种词向量模型差异：①Word2Vec：无监督，CBOW/Skip-gram，无subword信息；②GloVe：基于全局共现矩阵，结合统计+预测，向量更准，仍无subword；③FastText：引入子词（n-gram），处理未登录词（如“人工智能”），训练快，适合低频词，缺点是子词多导致计算量略大。3.BERT预训练与微调：预训练：①MLM：随机掩码15%token，预测掩码位置；②NSP：判断两句子是否为上下文。微调：针对下游任务（如NER），添加任务层（全连接），用标注数据微调参数，利用预训练语义知识提升效果。4.文本分类应用场景：①情感分析：产品评论正/负/中性判断；②新闻分类：按类别（科技/娱乐）归类；③垃圾邮件过滤；④对话意图识别（如“订外卖”）；⑤医疗文本分类：病历按疾病类型分类。六、讨论题答案1.Transformer的核心优势及影响：优势：自注意力捕捉长距离依赖（解决RNN缺陷），并行计算能力强（训练快）。影响：①推动预训练模型爆发（BERT/GPT），大幅提升下游任务效果；②主导神经机器翻译；③拓展多模态NLP（图文结合）；④降低大模型训练门槛。Transformer使NLP从“序列建模”转向“语义理解”，是AI语言突破的关键。2.中英文NLP差异及应对：差异：①中文无空格，需分词；②复合词多（如“苹