2026年自然语言处理基础题库(含答案)

2026年自然语言处理基础题库(含答案)一、单项选择题（每题2分，共40分）1.下列哪一项不属于自然语言处理的核心研究任务？A.词性标注B.句法分析C.图像分类D.机器翻译答案C解析图像分类属于计算机视觉领域，不属于自然语言处理的核心任务。2.中文分词中，"北京大学"的正确切分是？A.北京/大学B.北/京大/学C.北京大学/作为一个整体D.北/京/大/学答案A解析"北京大学"是专有名词，通常切分为"北京"和"大学"，但在实际系统中也可作为整体识别，本题按通用分词标准选A。3.在词性标注中，下列哪个标签通常表示名词？A.VBB.NNC.JJD.RB答案B解析PennTreebank词性标签中，NN表示名词，VB表示动词，JJ表示形容词，RB表示副词。4.下列哪种方法属于基于规则的分词方法？A.最大匹配法B.隐马尔可夫模型C.条件随机场D.双向LSTM答案A解析最大匹配法依赖词典规则进行切分，属于基于规则的方法；B、C、D均为统计学习方法。5.TF-IDF中，TF表示什么？A.逆文档频率B.词频C.文档频率D.信息熵答案B解析TF即TermFrequency，表示词频；IDF为InverseDocumentFrequency，表示逆文档频率。6.Word2Vec中，CBOW模型的训练目标是？A.用上下文预测中心词B.用中心词预测上下文C.预测句子情感类别D.预测词性标签答案A解析CBOW（ContinuousBag-of-Words）根据上下文词预测中心词；Skip-gram则相反，用中心词预测上下文。7.下列哪一项是预训练语言模型BERT的核心机制？A.单向语言模型B.自注意力机制C.卷积神经网络D.朴素贝叶斯分类答案B解析BERT基于Transformer的编码器结构，其核心是自注意力机制，并采用掩码语言模型进行双向预训练。8.在文本分类任务中，通常使用的评价指标不包括？A.准确率B.精确率C.召回率D.学习率答案D解析学习率是模型训练的超参数，不属于评价指标；准确率、精确率、召回率、F1值等是常用评价指标。9.循环神经网络在处理长序列时容易遇到的主要问题是？A.过拟合B.梯度消失或梯度爆炸C.欠拟合D.数据稀疏答案B解析RNN通过时间反向传播在长序列上容易出现梯度消失或梯度爆炸问题，LSTM、GRU为此引入门控机制加以缓解。10.下列哪个任务属于序列标注任务？A.文本摘要B.命名实体识别C.情感分析D.机器翻译答案B解析命名实体识别需要为序列中每个词标注实体类别，属于序列标注任务；情感分析是分类任务，机器翻译和文本摘要是生成任务。11.条件随机场（CRF）在序列标注中的主要优势是？A.计算速度极快，不需要训练B.能够建模标签之间的依赖关系C.不需要特征工程D.可以生成任意长度的文本答案B解析CRF是一种判别式概率图模型，能够建模相邻标签之间的转移依赖，从而输出全局最优标签序列。12.注意力机制中，注意力权重通常通过什么函数计算得到？A.Softmax函数B.Sigmoid函数C.ReLU函数D.Tanh函数答案A解析注意力权重通常由注意力打分函数计算得分后，经Softmax归一化得到，使权重之和为1。13.下列哪一项不属于Transformer模型的组成部分？A.多头自注意力B.前馈神经网络C.卷积层D.位置编码答案C解析Transformer由多头自注意力、前馈神经网络、位置编码、残差连接与层归一化等组成，不使用卷积层。14.语言模型中，困惑度（Perplexity）越低表示模型？A.越差B.越好C.越容易过拟合D.参数越少答案B解析困惑度衡量语言模型对测试语料的预测能力，困惑度越低，说明模型对数据的拟合越好。15.下列哪种方法可以缓解词向量中的一词多义问题？A.使用TF-IDF加权B.使用ELMo等上下文相关词向量C.增加词向量维度D.降低学习率答案B解析传统Word2Vec等静态词向量无法区分一词多义，ELMo、BERT等上下文相关表示能根据语境动态调整词向量。16.命名实体识别任务中，"BIO"标注法中"B"表示？A.实体内部B.实体开始C.非实体D.实体结束答案B解析BIO标注法中，B（Begin）表示实体的起始词，I（Inside）表示实体内部，O（Outside）表示非实体。17.机器翻译中，BLEU指标主要衡量什么？A.翻译速度B.译文与参考译文的n-gram匹配程度C.译文语法正确性D.译文情感倾向答案B解析BLEU通过计算机器译文与参考译文之间n-gram的重合程度来评估翻译质量。18.下列哪一项属于词干提取（Stemming）和词形还原（Lemmatization）的区别？A.词干提取使用词典，词形还原不使用B.词形还原考虑词性和形态，还原为规范词元C.词干提取速度更慢D.两者完全相同答案B解析词形还原结合词性和形态分析，将词还原为词典中的规范词元；词干提取通常只按规则去除词缀，结果可能不是合法词。19.在信息抽取中，关系抽取的主要目的是？A.从文本中识别实体之间的语义关系B.将文本翻译成另一种语言C.对文本进行情感分类D.生成文本摘要答案A解析关系抽取是在实体识别的基础上，判断实体之间的语义关系，如"就职于"、"位于"等。20.下列哪一项不是预训练语言模型的常见使用方式？A.微调B.零样本学习C.特征提取D.直接用于图像识别答案D解析预训练语言模型面向自然语言处理任务，不能直接用于图像识别。二、多项选择题（每题3分，共15分）1.下列哪些属于自然语言处理的应用场景？A.智能客服B.舆情分析C.语音识别D.信息检索答案ABCD解析智能客服、舆情分析、语音识别（涉及语言理解部分）、信息检索均为NLP的典型应用场景。2.下列哪些模型属于预训练语言模型？A.BERTB.GPTC.ELMoD.Word2Vec答案ABC解析BERT、GPT、ELMo均为预训练语言模型；Word2Vec是静态词向量模型，不属于预训练语言模型。3.下列哪些技术可以用于中文分词？A.最大正向匹配B.条件随机场C.双向LSTM+CRFD.朴素贝叶斯答案ABC解析最大正向匹配是基于词典的分词方法，条件随机场和双向LSTM+CRF是序列标注式分词方法；朴素贝叶斯通常用于分类任务，不直接用于分词。4.下列哪些因素会影响词向量质量？A.训练语料规模B.上下文窗口大小C.词向量维度D.训练轮数答案ABCD解析语料规模、窗口大小、向量维度、训练轮数等超参数都会影响词向量的语义表达质量。5.下列哪些属于文本预处理步骤？A.分词B.去除停用词C.词性标注D.归一化答案ABCD解析分词、去除停用词、词性标注、大小写归一化等均为常见的文本预处理操作。三、判断题（每题1分，共10分）1.自然语言处理只研究文本，不涉及语音和图像信息。答案错误解析自然语言处理以文本为核心，但语音识别、多模态NLP等方向也涉及语音和图像信息。2.隐马尔可夫模型是一种生成式模型，可用于词性标注。答案正确解析HMM是生成式概率模型，在词性标注中建模词与词性之间的生成关系，是经典的序列标注方法。3.朴素贝叶斯分类器假设特征之间是相互独立的。答案正确解析朴素贝叶斯的"朴素"假设就是特征条件独立假设，即给定类别条件下各特征相互独立。4.词向量维度越高，模型效果一定越好。答案错误解析词向量维度并非越高越好，维度过高会增加计算成本并可能导致过拟合，存在最优维度范围。5.注意力机制只能用于机器翻译任务。答案错误解析注意力机制已在文本分类、问答系统、图像描述等众多任务中广泛应用，并非局限于机器翻译。6.BERT模型只能处理英文，不能处理中文。答案错误解析BERT支持多语言版本，中文BERT已在中文分词、情感分析等任务中广泛使用。7.困惑度（Perplexity）可以用来评估语言模型的性能。答案正确解析困惑度是语言模型最常用的评价指标之一，反映模型对测试语料的预测能力。8.命名实体识别只能识别人名、地名和组织机构名。答案错误解析命名实体识别可以识别时间、日期、货币、百分比等多种实体类型，不同任务可定义不同的实体类别。9.RNN的隐藏状态能够捕捉序列中的时序信息。答案正确解析RNN通过循环结构将前一时间步的隐藏状态传递到当前时间步，从而捕捉序列的时序依赖信息。10.文本分类任务中，通常使用交叉熵损失函数训练模型。答案正确解析交叉熵损失是分类任务中最常用的损失函数，衡量预测分布与真实分布之间的差异。四、简答题（每题5分，共15分）1.简述自然语言处理的基本流程。答案自然语言处理的基本流程通常包括：(1)文本获取与预处理，如清洗、分词、去除停用词、归一化；(2)特征表示，将文本转换为计算机可处理的向量形式，如词袋模型、TF-IDF、词向量等；(3)模型构建与训练，选择适当的算法或神经网络模型；(4)模型评估与优化，使用准确率、F1值、困惑度等指标评估并调整模型。2.简述TF-IDF的核心思想及其计算公式。答案TF-IDF的核心思想是：一个词在当前文档中出现的频率越高，且在其他文档中出现的频率越低，则该词对当前文档的重要性越高。计算公式为：T其中TF(t,d)表示词t在文档d中的词频，ID3.简述RNN与Transformer在序列建模上的主要区别。答案RNN按时间步顺序处理序列，当前状态依赖上一时间步的隐藏状态，难以并行计算，且长序列上存在梯度消失问题。Transformer完全基于自注意力机制，可并行计算序列中所有位置之间的依赖关系，并通过位置编码保留位置信息，训练效率更高，能更好地捕捉长距离依赖。五、计算题（每题5分，共10分）1.某语料库包含3篇文档。词语"自然语言"在第1篇文档中出现4次，该文档共有100个词；语料库中共有2篇文档包含"自然语言"。请计算"自然语言"在第1篇文档中的TF-IDF值（取log以10为底，结果保留4位小数）。TIT所以"自然语言"在第1篇文档中的TF-IDF值约为0.0070。2.使用朴素贝叶斯分类器对一句话进行情感分类。已知训练集中正类先验概率P(正面)=0.6，负类先验概率P(负面)=答案计算正类后验概率（忽略分母）：P计算负类后验概率（忽略分母）：P由于0.056>六、论述题（每题10分，共10分）1.结合自然语言处理的发展历程，论述从传统统计方法到深度学习方法的演进过程，并分析预训练语言模型带来的突破。答案传统规则与统计方法阶段：早期NLP主要依靠人工编写的规则和统计学习方法。基于规则的方法依赖语言学专家构建语法规则，可解释性强，但规则覆盖有限，难以应对语言的多样性和歧义。20世纪90年代后，统计方法成为主流，如HMM用于词性标注和分词、CRF用于序列标注、朴素贝叶斯用于文本分类。这些方法依赖人工特征工程，性能受限于特征设计的质量。深度学习方法阶段：2013年Word2Vec提出后，词向量成为文本表示的基础。RNN、LSTM、GRU等循环神经网络能够建模序列依赖，广泛应用于机器翻译、情感分析等任务。2017年Transformer模型的出现进一步革新了序列建模方式，通过自注意力机制解决了长距离依赖和并行计算问题。预训练语言模型的突破：E