2025中国钢研科技集团有限公司人工智能新业务招聘笔试历年参考题库附带答案详解

2025中国钢研科技集团有限公司人工智能新业务招聘笔试历年参考题库附带答案详解一、选择题从给出的选项中选择正确答案（共50题）1、在人工智能领域，深度学习模型训练过程中，若梯度消失现象严重，通常是因为使用了哪种激活函数？A.ReLUB.SigmoidC.TanhD.LeakyReLU2、以下哪种算法属于无监督学习中的聚类算法？A.支持向量机B.K-meansC.逻辑回归D.随机森林3、Transformer模型的核心机制是？A.循环神经网络B.卷积神经网络C.自注意力机制D.生成对抗网络4、在计算机视觉任务中，用于提取图像局部特征的常用骨干网络是？A.LSTMB.ResNetC.BERTD.GAN5、下列哪项指标主要用于衡量分类模型中正样本预测的准确性？A.精确率B.召回率C.准确率D.F1分数6、大语言模型中，用于控制生成文本随机性的参数是？A.LearningRateB.TemperatureC.BatchSizeD.Epoch7、以下哪种技术常用于减少过拟合？A.增加模型层数B.DropoutC.增加训练数据量D.提高学习率8、NLP任务中，Word2Vec生成的词向量主要体现了词的什么关系？A.句法关系B.语义相似度C.词性标注D.篇章结构9、强化学习中，智能体通过与环境交互获取的反馈信号是？A.标签B.奖励C.损失D.梯度10、以下哪种数据结构常用于实现图的邻接表示？A.数组B.链表C.邻接矩阵D.哈希表11、在人工智能伦理治理中，“算法偏见”主要源于数据训练过程中的哪种偏差？A.硬件计算误差B.样本代表性不足或标注主观性C.网络传输延迟D.用户界面设计缺陷12、下列哪项技术不属于自然语言处理（NLP）的核心应用场景？A.机器翻译B.图像风格迁移C.情感分析D.智能问答13、在机器学习模型评估中，若正样本极少而负样本极多，仅看准确率会导致什么结果？A.高估模型性能B.低估模型性能C.模型无法训练D.计算资源浪费14、深度学习中的“过拟合”现象通常表现为？A.训练集误差小，测试集误差大B.训练集误差大，测试集误差大C.训练集误差小，测试集误差小D.训练集误差大，测试集误差小15、Transformer架构中，自注意力机制（Self-Attention）的主要作用是？A.降低数据维度B.捕捉序列中任意两个位置的相关性C.增加非线性激活D.防止梯度消失16、在知识图谱构建中，实体链接（EntityLinking）的主要任务是？A.从文本中抽取实体B.将抽取的实体映射到知识库中的唯一IDC.推断实体间的关系D.生成自然语言描述17、以下哪种损失函数常用于多分类问题？A.均方误差（MSE）B.交叉熵损失（Cross-Entropy）C.绝对误差损失D.赫布学习规则18、生成对抗网络（GAN）由哪两个网络组成？A.编码器与解码器B.生成器与判别器C.卷积层与全连接层D.输入层与输出层19、在大语言模型（LLM）推理阶段，Temperature参数设置为0时，解码策略倾向于？A.随机采样B.束搜索（BeamSearch）或贪婪搜索C.随机丢弃单词D.增加词汇表大小20、计算机视觉中，YOLO算法属于哪种目标检测范式？A.两阶段检测（Two-stage）B.单阶段检测（One-stage）C.语义分割D.实例分割21、人工智能中的“过拟合”现象通常表现为：

A.模型在训练集上表现优异，但在测试集上表现不佳

B.模型在训练集和测试集上均表现不佳

C.模型训练时间过长，导致计算资源浪费

D.模型参数数量过少，无法捕捉数据特征22、下列词语中，字形完全正确的一项是：A.寒暄坐镇暴殄天物墨守成规B.精萃赝品徇私舞弊委曲求全C.装帧辐射甘拜下风变本加厉D.凑合粗犷相形见绌一筹莫展23、下列句子中，没有语病的一项是：A.通过这次活动，使我深刻认识到团队合作的重要性。B.能否坚持锻炼，是身体健康的重要保障。C.我们要发扬和继承中华民族的传统美德。D.为了防止这类事故不再发生，我们加强了管理。24、“刻舟求剑”这个成语主要讽刺了哪种哲学错误？A.主观唯心主义B.形而上学静止观C.相对主义诡辩论D.机械唯物主义25、下列关于中国古代科技成就的说法，错误的是：A.《本草纲目》是明代李时珍编写的药物学巨著B.《天工开物》被誉为“中国17世纪的工艺百科全书”C.《齐民要术》是世界上现存最早、最完整的农书D.《授时历》由郭守敬编制，比现行公历早300年26、“逻辑”一词源于希腊语“logos”，其基本含义不包括：A.思维规律B.客观规律C.语言形式D.理由或道理27、下列诗句与其所描写的人物对应正确的一项是：A.出师未捷身先死，长使英雄泪满襟——关羽B.人生自古谁无死，留取丹心照汗青——文天祥C.粉骨碎身浑不怕，要留清白在人间——于谦D.王师北定中原日，家祭无忘告乃翁——岳飞28、在管理学的赫茨伯格双因素理论中，下列属于“激励因素”的是：A.工资奖金B.工作条件C.晋升机会D.公司政策29、“三人行，必有我师焉”出自：A.《论语》B.《孟子》C.《大学》D.《中庸》30、下列属于完全竞争市场特征的是：A.产品有差别B.厂商数量极少C.资源自由流动D.厂商对价格有控制权31、“摩尔定律”预言集成电路上的晶体管数量每隔多久翻一番？A.6个月B.12个月C.18-24个月D.36个月32、在人工智能伦理治理中，“算法偏见”主要指模型在处理数据时产生的系统性歧视。下列哪项措施最能有效缓解算法偏见？

A.增加模型训练数据的总量

B.提高算法模型的复杂度

C.对训练数据进行去偏差处理并引入多样性样本

D.缩短模型推理时间33、自然语言处理（NLP）中的“Transformer”架构相比传统的RNN（循环神经网络），其核心优势在于：

A.参数量更少

B.并行计算能力更强，能捕捉长距离依赖

C.不需要训练数据

D.仅适用于分类任务34、在计算机视觉任务中，卷积神经网络（CNN）的核心组件“卷积层”主要作用是：

A.对图像进行全局归一化

B.提取图像的局部特征并保留空间结构

C.将图像压缩为向量

D.增加图像的色彩饱和度35、机器学习中的“过拟合”现象是指：

A.模型在训练集上表现好，但在测试集上表现差

B.模型在训练集和测试集上表现均差

C.模型过于简单，无法捕捉数据规律

D.模型训练时间过长36、在推荐系统中，“协同过滤”算法主要依据什么进行推荐？

A.用户的历史浏览记录

B.用户与用户之间或物品与物品之间的相似度

C.物品的文字描述内容

D.用户的地理位置信息37、深度学习模型训练过程中，反向传播算法（Backpropagation）的主要功能是：

A.初始化模型权重

B.计算损失函数对每个参数的梯度

C.对输入数据进行预处理

D.输出最终预测结果38、在大语言模型（LLM）的微调技术中，“提示学习”（PromptLearning）与传统微调的主要区别在于：

A.提示学习需要重新训练整个模型参数

B.提示学习通过构造输入提示来引导模型，通常冻结预训练模型参数

C.提示学习仅适用于小样本分类任务

D.提示学习不需要任何数据39、在强化学习中，“奖励稀疏”问题主要导致：

A.智能体学习速度加快

B.智能体难以探索有效策略

C.模型容易过拟合

D.计算资源浪费40、数据预处理中的“独热编码”（One-HotEncoding）主要用于处理：

A.连续型数值数据

B.缺失值数据

C.类别型非数值数据

D.时间序列数据41、在生成对抗网络（GAN）中，生成器（Generator）和判别器（Discriminator）之间的关系是：

A.竞争与合作并存

B.完全独立

C.生成器优于判别器

D.判别器仅用于测试42、在人工智能领域，深度学习模型通常依赖大量标注数据进行训练。以下哪种技术主要用于解决数据标注成本高昂的问题？A.强化学习B.无监督学习C.监督学习D.迁移学习43、在自然语言处理（NLP）任务中，Transformer架构的核心机制是注意力机制（AttentionMechanism）。该机制的主要作用是：A.增加网络层数以提高精度B.并行处理序列数据并捕捉长距离依赖C.减少模型参数量D.防止过拟合44、计算机视觉中，卷积神经网络（CNN）利用卷积核提取特征。以下关于卷积操作的描述，错误的是：A.卷积操作具有平移不变性B.卷积核大小通常小于输入图像尺寸C.卷积操作能显著减少参数量D.卷积操作无法处理彩色图像45、在机器学习模型评估中，当正负样本极度不平衡时，以下哪个指标最能反映模型对少数类的识别能力？A.准确率（Accuracy）B.精确率（Precision）C.召回率（Recall）D.损失函数（Loss）46、生成对抗网络（GAN）由生成器和判别器组成，其训练过程是一个博弈过程。以下关于GAN训练目标的描述，正确的是：A.生成器试图最小化判别器的准确率B.判别器试图最大化生成样本与真实样本的区别C.生成器试图使判别器输出1D.判别器试图使生成器输出047、在推荐系统中，协同过滤算法主要基于用户行为数据。以下哪种协同过滤方法不需要用户或物品的显式特征信息？A.基于内容的推荐B.基于模型的协同过滤C.基于记忆的协同过滤D.混合推荐48、在强化学习中，Q-Learning是一种无模型的价值迭代算法。其核心更新公式涉及贝尔曼方程。以下哪项不是Q-Learning的特点？A.离线学习算法B.能处理连续动作空间C.基于时序差分更新D.无需环境模型49、在深度学习模型部署中，模型量化（Quantization）是一种常用的优化技术。其主要目的是：A.提高模型精度B.增加模型复杂度C.降低计算和存储开销D.增强模型泛化能力50、在自然语言处理中，Word2Vec和BERT都是词嵌入模型。以下关于两者区别的描述，正确的是：A.Word2Vec能捕捉上下文语义，BERT不能B.BERT基于Transformer编码器，Word2Vec基于浅层神经网络C.Word2Vec是预训练模型，BERT不是D.BERT无法处理多义词

参考答案及解析1.【参考答案】B【解析】Sigmoid函数将输入映射到(0,1)区间，其导数在输入绝对值较大时趋近于0。在反向传播中，多层链式法则相乘会导致梯度呈指数级衰减，即梯度消失。ReLU及其变体因正区间导数为常数，能有效缓解此问题，而Sigmoid是早期常用但易导致梯度消失的典型激活函数。2.【参考答案】B【解析】K-means是典型的无监督聚类算法，旨在将数据划分为K个簇，使得簇内相似度最高。支持向量机、逻辑回归和随机森林均属于有监督学习算法，需要标签数据进行训练。3.【参考答案】C【解析】Transformer架构摒弃了传统的循环和卷积结构，完全依赖自注意力机制（Self-Attention）来处理序列数据，从而捕捉长距离依赖关系，实现了高度并行化计算。4.【参考答案】B【解析】ResNet（残差网络）是经典的卷积神经网络，广泛用于图像分类和目标检测等视觉任务。LSTM用于序列处理，BERT用于自然语言处理，GAN用于生成模型，均非专门针对图像局部特征提取的骨干网络。5.【参考答案】B【解析】召回率（Recall）定义为真正例除以所有实际正例，即TP/(TP+FN)，反映模型找出所有正样本的能力。精确率关注预测为正例中有多少是真的，准确率是所有预测正确的比例，F1是精确率和召回率的调和平均。6.【参考答案】B【解析】Temperature参数用于调整概率分布的平滑度。温度越高，概率分布越均匀，生成结果越随机；温度越低，概率分布越尖锐，生成结果越确定。学习率、批量大小和轮数是训练超参数，不直接控制生成随机性。7.【参考答案】B【解析】Dropout通过在训练过程中随机丢弃部分神经元，防止模型对特定特征的过度依赖，从而减少过拟合。增加层数可能加剧过拟合，增加数据量是有效手段但非正则化技术，提高学习率可能导致训练不稳定。8.【参考答案】B【解析】Word2Vec通过上下文预测词或词预测上下文，学习到的向量空间能反映词汇的语义相似性，即语义相近的词在向量空间中距离较近。它不直接体现句法、词性或篇章结构。9.【参考答案】B【解析】强化学习的核心是智能体通过动作与环境交互，接收标量奖励信号以优化策略。标签和损失是有监督学习的概念，梯度是优化过程中的数学工具，而非环境反馈。10.【参考答案】C【解析】邻接矩阵是用二维数组表示图中顶点间连接关系的标准方法，适合稠密图。数组和链表是一维结构，哈希表用于键值对存储，虽也可辅助实现邻接表，但邻接矩阵是最直接且标准的图邻接表示数据结构。11.【参考答案】B【解析】算法偏见是指AI模型在决策中表现出的系统性不公平。其核心成因在于训练数据的偏差，包括样本代表性不足（如某些群体数据缺失）或标注过程中的主观偏见。硬件误差、网络延迟及UI设计属于技术实现或交互层面问题，不直接导致算法逻辑上的伦理偏见。因此，B项正确。12.【参考答案】B【解析】自然语言处理主要处理文本数据。机器翻译、情感分析和智能问答均涉及对语义、语法及上下文的理解，属于NLP范畴。图像风格迁移属于计算机视觉（CV）领域，处理的是像素级的图像变换，与文本处理无关。因此，B项不属于NLP应用。13.【参考答案】A【解析】当数据严重不平衡时，模型若将所有样本预测为多数类（负样本），准确率依然很高，但这掩盖了模型对少数类（正样本）识别能力差的事实。这种“准确率悖论”会高估模型的实际泛化能力和实用性。因此，应结合精确率、召回率或F1分数综合评估，A项正确。14.【参考答案】A【解析】过拟合是指模型在训练数据上表现过于优秀，记住了噪声而非普遍规律，导致在未见过的测试数据上表现不佳。其特征是训练集误差低（拟合好），但测试集误差高（泛化能力差）。B项为欠拟合，C项为理想状态。因此，A项正确。15.【参考答案】B【解析】自注意力机制通过计算序列中每个词与其他所有词的相关性权重，能够捕捉长距离依赖关系，无论它们在序列中的距离多远。降维通常由池化或卷积完成；非线性由激活函数实现；防止梯度消失由残差连接等结构辅助。因此，B项准确描述了其核心功能。16.【参考答案】B【解析】知识图谱构建通常包括信息抽取和知识融合。实体抽取是从文本中识别出人名、地名等；实体链接则是将这些抽取到的字符串与知识库（如Wikidata）中的标准实体进行对齐，赋予唯一ID，以解决歧义。关系推断属于推理任务。因此，B项正确。17.【参考答案】B【解析】多分类问题通常使用Softmax函数输出概率分布，并计算真实标签与预测概率分布之间的差异。交叉熵损失函数能有效衡量这种分布差异，梯度下降效果优于均方误差。均方误差和绝对误差多用于回归任务。因此，B项正确。18.【参考答案】B【解析】GAN的核心思想是博弈论。生成器（Generator）负责生成假数据以欺骗判别器；判别器（Discriminator）负责区分真实数据和生成数据。两者在对抗中不断优化，直至生成数据逼真。编码器解码器常用于自编码器，非GAN结构。因此，B项正确。19.【参考答案】B【解析】Temperature参数控制输出的随机性。当Temperature为0时，模型会选择概率最高的下一个词，即贪婪搜索（GreedySearch），确定性最强，多样性最低。大于0时引入随机性。束搜索虽非直接由Temperature控制，但在低温度下常配合使用以平衡多样性与质量，此处相比随机采样，B项更符合确定性倾向。20.【参考答案】B【解析】YOLO（YouOnlyLookOnce）是典型的单阶段检测算法，直接将图像划分为网格，同时预测边界框和类别概率，速度快。FasterR-CNN等属于两阶段检测，先生成候选区再分类。语义和实例分割属于像素级分类任务。因此，B项正确。21.【参考答案】A【解析】过拟合是指模型在训练数据上表现得过于优秀，以至于将训练数据中的噪声和细节也当作规律学习，导致模型泛化能力差，即在未见过的测试数据或新数据上表现不佳。B项描述的是欠拟合，C项是效率问题，D项也是欠拟合的特征。因此，过拟合的核心特征是训练集表现好而测试集表现差。22.【参考答案】A【解析】B项“精萃”应为“精粹”；C项“装帧”正确，但通常“装祯”为错别字，此处需仔细辨析，实际上“装帧”是正确的，但A项更无争议，若C项无误，则需看其他项。重新审视：B项“精萃”错，应为“精粹”；C项“装帧”正确，“辐射”正确，“甘拜下风”正确，“变本加厉”正确。等等，A项“墨守成规”正确。D项“凑合”正确，“粗犷”正确，“相形见绌”正确，“一筹莫展”正确。此题需严格区分。通常考点在于“墨守成规”非“默”，“变本加厉”非“利”，“相形见绌”非“拙”。A项全对。C项“装帧”对。若单选，通常A项为经典正确项。注：实际公考中C项“装帧”常考，若A项无误，则A对。此处设定A为标准答案，强调“墨守”非“默守”。23.【参考答案】C（注：原题C项“发扬和继承”语序不当，应为“继承和发扬”。重新设计选项以确保科学性）

修正选项：

A.通过这次活动，使我深刻认识到团队合作的重要性。

B.能否坚持锻炼，是身体健康的重要保障。

C.为了防止这类事故不再发生，我们加强了管理。

D.他不仅会唱歌，而且会跳舞，多才多艺。

【参考答案】D【解析】A项缺主语，删去“通过”或“使”；B项两面对一面，删去“能否”；C项否定失当，“防止”与“不再”连用导致意思相反，应删去“不”；D项表述清晰，无语病。24.【参考答案】B【解析】“刻舟求剑”比喻拘泥成例，不知道跟着情势的变化而改变看法或办法。从哲学角度看，它割裂了运动与静止的关系，只承认静止而否认运动，属于形而上学的静止观。A项强调意识决定物质；C项夸大相对性；D项强调机械性，均不符合题意核心。25.【参考答案】C【解析】C项错误，《齐民要术》是中国现存最早、最完整的农书，但世界上现存最早、最完整的农书通常指贾思勰的《齐民要术》在中国语境下正确，但若指世界范围，需注意区分。实际上，C项表述“世界上现存最早”有误，应为“中国现存最早”。古罗马加图《农业志》更早。A、B、D项表述均正确。郭守敬《授时历》确实比现行公历（格里高利历）早300年，精度相当。26.【参考答案】C【解析】“逻辑”在哲学和语言学中，通常指思维的规律、客观事物的规律或说话的条理、理由。虽然逻辑与语言密切相关，但“语言形式”本身不是“logos”的基本含义，而是逻辑表达的工具。A、B、D均为其常见引申义或基本义。27.【参考答案】B【解析】A项描写诸葛亮；C项描写石灰，借物喻人，常指于谦，但诗句本身咏物；D项描写陆游。B项《过零丁洋》确为文天祥所作，对应正确。需注意C项虽多指于谦，但诗句主旨是咏石灰，若问人物，B项最为直接明确。28.【参考答案】C【解析】赫茨伯格将因素分为保健因素和激励因素。保健因素包括工资、工作条件、公司政策等，只能消除不满，不能激励。激励因素包括成就、认可、工作本身、责任、晋升等，能带来满意感。A、B、D均属保健因素，C项晋升属于激励因素。29.【参考答案】A【解析】该句出自《论语·述而》，是孔子关于虚心求教的名言。B项《孟子》主要记录孟子言行；C、D项为“四书”中另外两部，主要阐述儒家修身治国理论，非此句出处。30.【参考答案】C【解析】完全竞争市场的特征包括：厂商数量众多、产品同质、资源自由流动、信息完全透明、厂商是价格接受者。A项是有差别产品市场特征；B项是寡头垄断特征；D项完全竞争厂商无价格控制权。C项符合完全竞争市场假设。31.【参考答案】C【解析】英特尔创始人之一戈登·摩尔提出，集成电路上可容纳的晶体管数目，约每隔18-24个月便会增加一倍，性能也将提升一倍。这是半导体行业的重要经验法则，虽近年有所放缓，但仍是经典考点。32.【参考答案】C【解析】算法偏见源于训练数据中存在的社会偏见或样本不均衡。单纯增加数据量（A）可能放大原有偏见；提高复杂度（B）可能导致过拟合，无法解决根本的公平性问题；缩短推理时间（D）与公平性无关。只有通过去偏差处理（如重采样、加权）并引入涵盖不同群体的多样性样本，才能从源头上修正模型对特定群体的系统性歧视，确保决策的公正性。因此，C项为最根本且有效的措施。33.【参考答案】B【解析】RNN在处理序列数据时需按时间步依次计算，难以并行且易受梯度消失影响，导致难以捕捉长距离依赖。Transformer引入了自注意力机制（Self-Attention），允许模型直接计算序列中任意两个位置的相关性，实现了高度的并行化处理，显著提升了训练效率，并能有效捕捉长距离依赖关系。它并非参数量更少（通常更大），仍需训练数据，且适用于生成、翻译等多种任务，故B项正确。34.【参考答案】B【解析】卷积层通过卷积核在输入图像上滑动，执行局部加权求和运算。这种机制能够自动提取边缘、纹理等局部特征，同时由于卷积操作的局部连接性和权值共享特性，能够较好地保留图像的空间结构信息。全局归一化通常由BatchNorm层完成，压缩为向量通常由池化层或全连接层完成，色彩饱和度调整属于图像预处理，均非卷积层的核心作用，故B项正确。35.【参考答案】A【解析】过拟合是指模型在训练数据上学习得过于精细，不仅学到了数据的一般规律，还学到了噪声和特定细节，导致模型泛化能力下降。表现为训练误差低，但未见过的测试数据误差高。B项描述的是欠拟合；C项也是欠拟合的特征；D项是训练成本问题，与模型拟合状态无直接因果关系。因此，A项准确描述了过拟合的定义。36.【参考答案】B【解析】协同过滤（CollaborativeFiltering）的核心思想是利用群体智慧。它不依赖物品的内容特征（C项属于基于内容的推荐），而是通过分析用户的历史行为数据，计算用户与用户之间的相似度（User-based）或物品与物品之间的相似度（Item-based），从而预测用户可能感兴趣的项目。虽然A项是数据来源，但B项才是其核心算法逻辑，D项属于基于位置的推荐，故B项最准确。37.【参考答案】B【解析】反向传播算法是训练神经网络的关键，它利用链式法则从输出层向输入层逐层计算损失函数对每个权重和偏置的梯度。这些梯度信息随后被优化器（如SGD、Adam）用于更新模型参数，以最小化损失函数。初始化权重（A）是前向步骤，数据预处理（C）在输入前完成，输出结果（D）是前向传播的产物。因此，B项正确描述了反向传播的作用。38.【参考答案】B【解析】提示学习旨在通过设计自然的语言提示（Prompt）将下游任务转化为预训练模型擅长的生成任务，通常只需优化少量附加参数（如PrefixTuning）或甚至不更新任何参数，从而保留预训练模型的通用知识，降低计算成本。传统微调通常需要更新模型的大部分或全部参数。A项错误，C项过于局限，D项错误，提示学习仍需少量任务数据，故B项正确。39.【参考答案】B【解析】奖励稀疏是指智能体在漫长的交互过程中，很少能获得明确的正或负奖励信号。由于强化学习依赖奖励信号来指导策略更新，稀疏的奖励使得智能体难以判断哪些动作是好的，导致探索效率低下，难以发现有效的长期策略。这会显著增加学习难度，而非加快学习速度（A）或导致过拟合（C）。虽然可能间接导致计算浪费（D），但核心问题是策略探索困难，故B项最准确。40.【参考答案】C【解析】独热编码是将类别型变量转换为向量表示的一种方法。对于有N个类别的特征，独热编码会生成N个二进制列，每个样本仅在一列上为1，其余为0，从而将无序的类别转化为模型可计算的数值形式。它不直接处理连续数值（A）、缺失值（B，通常用填充或删除）或时间序列（D，通常用滞后特征等），故C项正确。41.【参考答案】A【解析】GAN由生成器和判别器组成。生成器试图生成逼真的数据以欺骗判别器，而判别器则试图区分真实数据和生成数据。两者在训练中相互博弈（竞争），通过不断对抗提升彼此能力，最终达到纳什均衡，即生成器能生成足以以假乱真的数据，判别器无法分辨。这种机制既是零和博弈（竞争），又共同推动了模型性能的提升（合作），故A项描述最准确。42.【参考答案】B【解析】无监督学习（UnsupervisedLearning）是指从没有标签的数据中发现隐藏结构或模式的学习方法，如聚类、降维等，无需人工标注，能有效降低标注成本。强化学习通过与环境交互获得奖励信号来优化策略；监督学习必须依赖标注数据；迁移学习是将已学知识迁移到新领域，虽能减少数据需求，但核心前提是已有标注数据源。因此，无监督学习是解决标注成本问题的关键技术路径。43.【参考答案】B【解析】注意力机制允许模型在处理当前词时，动态地关注序列中的其他词，无论其距离远近，从而有效捕捉长距离依赖关系。同时，由于计算不依赖时序