2025年自然语言处理工程师考试题库（附答案和详细解析）（1010）.docxVIP

自然语言处理工程师考试试卷

一、单项选择题（共10题，每题1分，共10分）

BERT模型在预训练阶段的核心任务是？

A.情感分类与文本生成

B.掩码语言模型（MLM）与下一句预测（NSP）

C.命名实体识别与关系抽取

D.机器翻译与问答系统

答案：B

解析：BERT的预训练任务设计为掩码语言模型（MLM）和下一句预测（NSP）。MLM通过随机遮盖部分输入词，让模型预测被遮盖的词，学习双向上下文表示；NSP用于学习句子间的语义关联。其他选项均为下游微调任务，而非预训练阶段的核心任务。

以下哪项是上下文无关的词嵌入模型？

A.BERT

B.GloVe

C.ELMo

D.ERNIE

答案：B

解析：GloVe（全局向量）通过共现矩阵训练词向量，每个词对应固定向量，属于上下文无关模型。BERT、ELMo、ERNIE均为上下文相关模型，其词向量随上下文变化。

循环神经网络（RNN）在处理长文本时的主要缺陷是？

A.无法并行计算

B.梯度消失/爆炸问题

C.参数量过大

D.无法处理序列输入

答案：B

解析：RNN的链式结构导致反向传播时梯度经过多次矩阵乘法，易出现梯度消失（长距离依赖信息丢失）或梯度爆炸（参数更新不稳定）。虽然RNN无法并行计算（A）是缺点，但长文本处理的核心问题是梯度问题。

当前主流的机器翻译方法属于？

A.基于规则的翻译（RBMT）

B.统计机器翻译（SMT）

C.神经机器翻译（NMT）

D.示例机器翻译（EBMT）

答案：C

解析：自2015年Transformer提出后，神经机器翻译（基于深度学习的端到端模型）已成为主流方法。其他选项均为早期方法，性能已被NMT超越。

注意力机制（Attention）的核心作用是？

A.减少模型参数量

B.捕捉输入序列中元素的依赖关系

C.加速模型训练

D.增强模型的可解释性

答案：B

解析：注意力机制通过计算查询（Query）与键（Key）的相似度，为每个输入元素分配权重，从而动态捕捉序列中长距离的依赖关系。减少参数量（A）是多头注意力的间接效果，加速训练（C）主要依赖并行计算。

以下哪个工具常用于中文分词？

A.spaCy

B.jieba

C.NLTK

D.Gensim

答案：B

解析：jieba是中文社区广泛使用的分词工具，支持精确模式、全模式和搜索引擎模式。spaCy（A）和NLTK（C）主要用于英文处理，Gensim（D）是主题模型工具。

文本分类任务中，若关注正类的查全率和查准率的调和平均，应选择以下哪个指标？

A.准确率（Accuracy）

B.精确率（Precision）

C.召回率（Recall）

D.F1值

答案：D

解析：F1值是精确率和召回率的调和平均（2(PR)/(P+R)），适用于需要平衡两者的场景。准确率（A）是整体正确比例，未区分正负类。

子词切分（BPE）的主要目的是？

A.减少词表大小

B.完全替代分词

C.提升模型训练速度

D.增强模型的可解释性

答案：A

解析：BPE（字节对编码）通过合并高频字符对生成子词，既能覆盖未登录词（如“apple”和“apples”共享子词“apple”），又能显著减少词表大小（相比词级切分）。

以下哪类对话系统需要明确的领域知识和意图识别？

A.开放域对话系统

B.任务型对话系统

C.闲聊对话系统

D.问答对话系统

答案：B

解析：任务型对话系统（如订机票、查天气）需要理解用户意图（如“预订”“查询”），并调用领域知识完成特定任务；开放域（A）和闲聊（C）侧重生成流畅文本，无明确任务目标。

潜在狄利克雷分配（LDA）的主要用途是？

A.文本分类

B.情感分析

C.主题模型

D.命名实体识别

答案：C

解析：LDA是生成式概率模型，假设文档由多个主题混合生成，每个主题对应词的概率分布，用于挖掘文本的隐含主题结构。

二、多项选择题（共10题，每题2分，共20分）

以下属于预训练语言模型的有？（至少2个正确选项）

A.BERT

B.LSTM

C.GPT

D.RoBERTa

答案：ACD

解析：BERT、GPT、RoBERTa均为基于大规模语料预训练的语言模型；LSTM（B）是循环神经网络结构，属于传统模型，未经过通用预训练。

以下属于自然语言处理任务的有？

A.情感分析

B.机器翻译

C.信息抽取

D.图像分类

答案：ABC

解析：情感分析（文本情感倾向判断）、机器翻译（文本跨语言转换）、信息抽取（从文本中提取结构化信息）均为NLP任务；图像分类（D）属于计算机视觉任务。

关于词向量（WordEmbedding）的描述，正确的有？

A.Word2Vec生成的词向量是上下文无关的

B.BERT生成的词向量是上下文相关的