2025年自然语言处理工程师考试题库（附答案和详细解析）（0923）.docxVIP

自然语言处理工程师考试试卷（总分100分）

一、单项选择题（共10题，每题1分，共10分）

以下哪项是Word2Vec模型的核心训练目标？

A.预测词语的词性标注

B.通过上下文预测中心词（或反之）

C.学习句法依赖关系

D.生成符合语法的句子

答案：B

解析：Word2Vec包含CBOW（连续词袋）和Skip-gram两种模型。CBOW的目标是通过上下文词预测中心词，Skip-gram则通过中心词预测上下文词，本质均为通过词共现关系学习词的低维连续向量表示。A是词性标注任务目标，C是句法分析目标，D是语言生成任务目标，均非Word2Vec核心。

BERT模型的预训练任务不包括以下哪项？

A.掩码语言模型（MLM）

B.下一句预测（NSP）

C.自回归语言模型（ARLM）

D.基于上下文的词预测

答案：C

解析：BERT的预训练任务是MLM（随机掩码输入中的部分词，预测被掩码的词）和NSP（判断两个句子是否为连续上下文）。自回归语言模型（如GPT）是单向预测下一个词，而BERT通过双向Transformer实现双向上下文建模，因此C不是BERT的预训练任务。

长短期记忆网络（LSTM）中“遗忘门”的主要作用是？

A.控制当前输入信息的保留比例

B.决定是否丢弃历史记忆信息

C.生成新的候选记忆单元

D.输出最终的隐藏状态

答案：B

解析：LSTM的三个门中，遗忘门（ForgetGate）通过sigmoid函数输出0-1的值，控制是否保留上一时刻的细胞状态（历史记忆），1表示完全保留，0表示完全遗忘。A是输入门的作用，C是候选记忆单元的计算，D是输出门的作用。

以下哪种文本表示方法属于分布式表示？

A.独热编码（One-Hot）

B.TF-IDF

C.GloVe词向量

D.词袋模型（BagofWords）

答案：C

解析：分布式表示通过低维连续向量捕捉词的语义信息（如Word2Vec、GloVe、BERT词向量），其核心是“上下文相似的词具有相似的向量”。独热编码、TF-IDF、词袋模型均为局部表示（LocalRepresentation），仅统计词的出现频率或存在性，不捕捉语义关联。

文本分类任务中，若标签类别极度不平衡（如正样本占99%），最适合的损失函数是？

A.交叉熵损失（Cross-Entropy）

B.FocalLoss

C.均方误差（MSE）

D.对比损失（ContrastiveLoss）

答案：B

解析：交叉熵损失对类别不平衡不敏感，会导致模型偏向多数类；FocalLoss通过对易分类样本的损失加权衰减（α(

以下哪项不是分词的常见方法？

A.基于规则的正向最大匹配

B.基于统计的HMM模型

C.基于预训练的BERT字级别分类

D.基于句法分析的依存树分解

答案：D

解析：分词方法主要包括规则方法（如正向/逆向最大匹配）、统计方法（如HMM、CRF）、深度学习方法（如BERT字级别分类预测分词边界）。句法分析的依存树分解是语法分析任务，不直接用于分词。

机器翻译（MT）中，BLEU评估指标的核心思想是？

A.计算译文与参考译文的词重叠率

B.评估译文的语法正确性

C.衡量译文的语义连贯性

D.比较译文与原文的句长相似度

答案：A

解析：BLEU（双语评估替标）通过计算译文与多个参考译文的n-gram（1-4元组）精确匹配率（考虑词序），并引入brevitypenalty（长度惩罚）调整过短译文的得分，本质是词重叠的统计度量。B、C是人工评估关注的维度，D非BLEU核心。

以下哪种模型属于生成式预训练模型？

A.BERT

B.GPT

C.ELMo

D.RoBERTa

答案：B

解析：生成式预训练模型（GenerativePre-trainedModel）基于自回归语言模型（ARLM），通过前向/后向的单向上下文预测下一个词（如GPT的TransformerDecoder架构）。BERT、ELMo、RoBERTa均为判别式预训练模型（基于自编码语言模型，如MLM），通过双向上下文恢复被破坏的输入。

情感分析任务的本质是？

A.文本分类（按情感极性分类）

B.文本生成（生成情感倾向描述）

C.信息抽取（提取情感关键词）

D.语义相似度计算（比较情感强度）

答案：A

解析：情感分析的核心是将文本（如评论）分类为积极、消极、中性等情感类别，属于文本分类的子任务。B是生成任务，C是信息抽取，D是相似度计算，均非本质。

以下哪项是Transformer模型中“多头注意力”（Multi-HeadAttention）的主要作用？

A.减少模型参数量

B.并行计算提升效率

C.从不同子空间学习注意力模式

D.避免梯度消失问题

答