2026年自然语言处理基础试题(附答案)

2026年自然语言处理基础试题(附答案)一、单项选择题（每题2分，共20分）1.在自然语言处理中，将连续文本切分为最小语义单元序列的过程称为（）。A.词性标注B.分词C.句法分析D.命名实体识别答案B解析分词是中文等无空格语言的基础任务，将字符序列切分为词序列；词性标注、句法分析均建立在分词结果之上。2.下列关于N元语法（N-gram）模型的描述，正确的是（）。A.N越大，模型参数越少B.N-gram无法应用于中文文本C.二元语法（Bigram）模型考虑前两个词对当前词的影响D.N-gram基于马尔可夫假设，认为当前词只与前面N-1个词相关答案D解析N-gram的核心假设是马尔可夫假设。N越大，参数数量呈指数级增长；Bigram只依赖前一个词；N-gram适用于任意语言。3.下列指标中，常用于评价语言模型性能的是（）。A.BLEUB.F1值C.困惑度（Perplexity）D.ROC曲线答案C解析困惑度用于衡量语言模型的概率建模能力，其值越小，模型对测试数据的拟合越好；BLEU用于机器翻译评价，F1值用于分类与序列标注评价。4.Word2Vec中包含的两种训练模型是（）。A.CBOW和Skip-gramB.LDA和PLSAC.RNN和LSTMD.HMM和CRF答案A解析CBOW根据上下文预测中心词，Skip-gram根据中心词预测上下文；LDA、PLSA为主题模型，HMM、CRF为序列标注模型。5.下列序列标注模型中，对"观测独立性假设"依赖最强的是（）。A.隐马尔可夫模型（HMM）B.条件随机场（CRF）C.双向长短期记忆网络（BiLSTM）D.感知机答案A解析HMM是生成式模型，假设观测值在给定状态时相互独立；CRF为判别式模型，通过特征函数建模上下文依赖，不依赖该假设。6.Transformer中自注意力机制（Self-Attention）的主要作用是（）。A.计算输入序列中任意两个位置之间的依赖关系B.将输入序列压缩为固定长度向量C.对词向量进行降维D.生成输出词表答案A解析自注意力通过查询（Q）、键（K）、值（V）的加权计算，直接建模序列中任意两位置间的依赖，解决了RNN难以建模长距离依赖的问题。7.BLEU指标主要用于评估下列哪类任务的性能？（）A.文本分类B.命名实体识别C.机器翻译D.情感分析答案C解析BLEU通过候选译文与参考译文的n-gram重合度评价翻译质量；文本分类与情感分析常用准确率、F1值，NER常用精确率、召回率与F1值。8.在二分类情感分析中，将实际为"正面"的样本预测为"负面"，该预测结果属于（）。A.真正例（TP）B.假正例（FP）C.假负例（FN）D.真负例（TN）答案C解析以"正面"为正类，实际为正、预测为负即为假负例（FN）；FP指实际为负、预测为正。9.下列方法中，能有效缓解循环神经网络（RNN）梯度消失问题的是（）。A.增加网络层数B.引入门控机制（如LSTM、GRU）C.使用Sigmoid作为激活函数D.增大学习率答案B解析LSTM、GRU通过门控机制控制信息流动，使梯度能够沿时间步有效传播；增大学习率反而可能导致梯度爆炸，增加层数会加剧梯度消失。10.在命名实体识别的BIO标注方案中，"B"表示（）。A.实体的内部B.实体之外C.实体的开始D.单个实体组成的标注答案C解析BIO方案中，B（Begin）表示实体开始，I（Inside）表示实体内部，O（Outside）表示实体外部。二、判断题（每题1分，共10分）1.中文分词是中文信息处理中最基础的任务之一，其质量直接影响后续句法分析、信息抽取等任务的效果。答案正确2.在二元语法（Bigram）语言模型中，当前词的条件概率只依赖于它前面的一个词。答案正确3.词干提取（Stemming）与词形还原（Lemmatization）的作用完全相同。答案错误解析词干提取是对词尾进行机械截断，不依赖词典；词形还原结合词性与上下文，将词还原为词典中的原形。4.隐马尔可夫模型（HMM）属于生成式模型，条件随机场（CRF）属于判别式模型。答案正确5.在TF-IDF中，IDF的作用是提高"的""是"等常见词的权重。答案错误解析IDF与词的文档频率成反比，常见词的IDF值小，权重被降低；稀有词的IDF值大，权重被提高。6.困惑度（Perplexity）越小，说明语言模型对测试集的建模能力越强。答案正确7.Transformer中的位置编码（PositionalEncoding）用于为模型注入词序信息。答案正确8.BERT是一种单向的预训练语言模型。答案错误解析BERT基于Transformer编码器，通过掩码语言模型（MLM）进行预训练，能够同时利用左右上下文，是双向模型；GPT为单向模型。9.在文本分类任务中，Softmax分类器常与交叉熵损失函数配合使用。答案正确10.BLEU值越高的机器翻译译文，其质量一定越好。答案错误解析BLEU侧重n-gram精确率，与人工评价并非完全一致，高BLEU并不必然代表译文流畅或语义准确。三、填空题（每空2分，共20分）1.自然语言处理的研究内容通常可分为词法分析、句法分析和______三个层次。答案语义分析2.在N-gram语言模型中，一元语法（Unigram）模型假设当前词出现的概率与____无关；二元语法（Bigram）模型假设当前词出现的概率只依赖于____。答案前面的词（历史上下文）；前一个词3.隐马尔可夫模型（HMM）的三要素包括初始状态概率分布、状态转移概率矩阵和______。答案观测概率矩阵（发射概率矩阵）4.Word2Vec中，Skip-gram模型的任务是根据____预测____。答案中心词；上下文词（周围词）5.在缩放点积注意力中，Attention(Q,答案防止点积结果过大导致Softmax梯度消失（保持数值稳定）6.词的表示方法经历了从独热编码（One-hot）、词袋模型（BoW）到______，再到预训练语言模型（如BERT）的发展过程。答案分布式表示（词向量）7.在命名实体识别任务中，通常综合精确率与召回率来评价模型性能，其综合评价指标是______。答案F1值（F1分数）8.在机器翻译评价中，BLEU指标通过计算候选译文与参考译文之间的______重合程度来评价翻译质量。答案N元词组（n-gram）四、简答题（每题5分，共20分）1.简述中文分词中最大匹配法的基本思想，并指出其局限性。答案（1）基本思想：以词典为依据，从待切分文本的某一端开始，每次取当前最长可能词长的子串与词典匹配，若匹配成功则切分为一个词，否则缩短词长继续匹配，直至完成整个句子的切分。按扫描方向可分为正向最大匹配和逆向最大匹配。（2）局限性：①无法识别未登录词（词典外的新词、专有名词等）；②对交集型歧义和组合型歧义难以正确消解；③切分结果依赖词典规模与最大词长设置。实际系统常将最大匹配与统计方法（如基于HMM、CRF的分词模型）相结合。2.简述分布式词向量相比独热编码（One-hot）的主要优势。答案（1）独热编码维度等于词表大小，向量稀疏且维数高，存在维数灾难问题；分布式表示将词映射为低维稠密实数向量，有效缓解数据稀疏。（2）独热编码无法表达词与词之间的语义关系，任意两个词的向量正交；分布式表示中，语义相近的词在向量空间中距离相近，可反映词的相似性与类比关系（如"国王-男人+女人≈女王"）。（3）分布式词向量可作为预训练特征输入下游任务，提升文本分类、机器翻译等任务的性能。3.简述注意力机制（AttentionMechanism）的核心思想及其在序列建模中的优势。答案（1）核心思想：在生成某一输出时，不再将整个输入序列压缩为固定长度向量，而是动态计算输入序列中各个位置与当前解码状态的相关程度（注意力权重），对输入信息进行加权求和，突出与当前输出最相关的信息。（2）优势：①缓解了固定长度向量带来的信息瓶颈，提升长序列建模能力；②能够直接建模序列中远距离位置之间的依赖关系；③计算过程可并行化，训练效率高于循环神经网络。4.简述LSTM中"门"的作用，并说明LSTM包含哪几个门。答案（1）LSTM通过门控机制控制信息的流入、保留与输出，从而缓解标准RNN的梯度消失与梯度爆炸问题。（2）LSTM包含三个门：遗忘门（ForgetGate），决定上一时刻细胞状态中哪些信息被丢弃；输入门（InputGate），决定当前候选信息中哪些被写入细胞状态；输出门（OutputGate），决定当前细胞状态中哪些信息作为隐状态输出。此外，细胞状态（CellState）承担长期记忆的传递。五、计算与综合应用题（每题10分，共30分）1.给定一个分词后的语料库，包含以下两个句子：句子1：我爱自然语言处理句子2：我爱学习自然语言请回答：（1）采用Laplace平滑（加一平滑）的二元语法（Bigram）模型，计算P(处理|（2）说明N-gram语言模型中为什么要进行平滑处理。答案（1）统计频次：词表V={我,爱,自然,语言,处理,学习}，|V|=6。一元语法频次：C(我)P因此：PP（2）平滑处理的必要性：训练语料规模有限，许多合法的n-gram组合在语料中未出现，若不平滑，这些组合的条件概率为零，导致整个句子的概率为零。平滑处理将部分概率质量分配给未出现的n-gram，避免零概率问题，提高语言模型的泛化能力。2.某垃圾邮件分类系统在测试集上的混淆矩阵如下（正类为"垃圾邮件"）：实际类别\预测类别垃圾邮件正常邮件垃圾邮件8020正常邮件30370请计算：（1）精确率（Precision）、召回率（Recall）与F1值；（2）准确率（Accuracy）。答案由混淆矩阵可得：TP=80，FP=（1）精确率、召回率与F1值：PrecisionRecallF（2）准确率：Accuracy3.给定中文句子"他喜欢自然语言处理"，词典为{他，喜欢，自然，自然语言，语言，处理}，最大词长为4。请回答：（1）写出正向最大匹配法的完整切分过程与切分结果；（2）该句子存在哪种切分歧义？简述一种消歧方法。答案（1）切分过程：①从句子开头取最长子串"他喜欢自"（4字），不在词典中；依次缩短为"他喜欢"（3字）、"他喜"（2字），均不在词典中；取"他"（1字），在词典中，切分出"他"。②对剩余"喜欢自然语言处理"，取"喜欢自然"（4字），不在词典中；取"喜欢"（2字），在词典中，切分出"喜欢"。③对剩余"自然语言处理"，取"自然语言"（4字），在词典中，切分出"自然语言"。④对剩余"处理"，取"处理"（2字），在词典中，切分出"处理"。切分结果为：他/