2025年自然语言处理工程师考试题库（附答案和详细解析）（1119）.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）

以下哪项是Word2Vec中CBOW模型的训练目标？

A.用中心词预测上下文词

B.用上下文词预测中心词

C.用当前词预测下一个词

D.用句子预测主题分布

答案：B

解析：Word2Vec包含CBOW（连续词袋模型）和Skip-gram两种架构。CBOW的核心是通过上下文词（如“猫坐在”和“上”）预测中心词（如“地毯”），而Skip-gram则相反（用中心词预测上下文）。选项A是Skip-gram的目标，C是语言模型（如GPT）的目标，D是LDA的目标，故正确答案为B。

BERT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.情感倾向分类

D.随机词替换

答案：C

解析：BERT的预训练任务是MLM（随机掩码部分输入词并预测）和NSP（判断两句话是否连续）。情感倾向分类是下游微调任务，属于应用层；随机词替换是部分改进模型（如RoBERTa）的增强方法，但非BERT原生任务。因此选C。

循环神经网络（RNN）的主要缺陷是？

A.无法处理变长序列

B.长距离依赖问题（梯度消失/爆炸）

C.参数量过大

D.无法并行计算

答案：B

解析：RNN通过循环结构建模序列依赖，但由于梯度在反向传播时指数级衰减（梯度消失）或增长（梯度爆炸），导致其难以捕捉长距离的语义关联（如“今天天气很好，所以我和____去公园”中“我”与“公园”的关系）。A错误（RNN可处理变长序列），C和D是Transformer的优势，但非RNN核心缺陷，故正确答案为B。

情感分析任务属于以下哪类NLP任务？

A.生成式任务

B.分类式任务

C.抽取式任务

D.结构化任务

答案：B

解析：情感分析的目标是将文本（如“这部电影真棒”）分类为积极/消极等类别，属于分类任务。生成式任务（如机器翻译）需输出新文本，抽取式任务（如实体提取）需从文本中提取信息，结构化任务（如知识图谱构建）需生成结构化数据，故正确答案为B。

BLEU指标主要用于评价以下哪类任务？

A.文本分类

B.命名实体识别

C.机器翻译

D.句法分析

答案：C

解析：BLEU（双语评估替换）通过计算候选翻译与参考翻译的n-gram重叠率评估翻译质量，是机器翻译的经典评价指标。文本分类常用准确率，命名实体识别用F1，句法分析用树库匹配率，故正确答案为C。

LSTM中“遗忘门”的主要作用是？

A.决定输入信息的保留比例

B.决定是否遗忘历史状态

C.决定当前输入的重要性

D.生成新的候选记忆

答案：B

解析：LSTM的三个门中，遗忘门（sigmoid）输出0-1值，控制上一时刻细胞状态（(C_{t-1})）的保留比例（1表示完全保留，0表示完全遗忘），解决RNN的长距离依赖问题。输入门控制当前输入的重要性，输出门控制当前状态的输出，候选记忆由tanh层生成，故正确答案为B。

句法分析的核心目标是？

A.分析句子的情感倾向

B.识别句子中的命名实体

C.构建句子的语法结构（如短语、依存关系）

D.生成与输入句子语义等价的新句子

答案：C

解析：句法分析（包括成分句法和依存句法）旨在揭示句子中词语间的语法关系（如“主谓”“动宾”），形成树状结构。A是情感分析，B是命名实体识别，D是文本生成，故正确答案为C。

Transformer模型中“自注意力”机制的作用是？

A.强制模型关注输入序列的特定位置

B.减少模型参数量

C.实现并行计算

D.以上都是

答案：D

解析：自注意力通过计算序列中每个位置与其他位置的相关性（注意力分数），使模型动态关注关键信息（如“苹果”在“吃苹果”中是宾语，在“苹果公司”中是主语）；同时，自注意力的矩阵运算支持并行计算（无需像RNN逐词处理），且通过多头注意力分解不同子空间的关联，间接减少参数量。因此D正确。

ELMo（EmbeddingsfromLanguageModels）的主要特点是？

A.静态词向量（每个词对应固定向量）

B.动态词向量（上下文相关）

C.基于Transformer架构

D.仅捕捉单向语义

答案：B

解析：ELMo是基于双向LSTM的词向量模型，通过双向语言模型（正向+反向）生成每个词的上下文相关向量（如“苹果”在“吃”和“公司”上下文中向量不同），属于动态词向量。静态词向量（如Word2Vec）不考虑上下文，ELMo基于LSTM而非Transformer，且双向捕捉语义，故正确答案为B。

文本分类任务的输入通常是？

A.单个词向量

B.句子级向量（如通过池化或CLStoken）

C.字符级特征

D.以上都是

答案：D

解析：文本分类的输入可以是多种形式：传统方法（如TF