自然语言处理算法工程师岗位招聘考试试卷及答案.docVIP

自然语言处理算法工程师岗位招聘考试试卷及答案

一、填空题（10题，每题1分）

1.NLP最基础的预处理任务是______。

2.常见词嵌入模型含Word2Vec、GloVe和______。

3.Transformer核心组件是______注意力。

4.机器翻译常用评估指标是______。

5.BERT的掩码方式是______。

6.LSTM的三个门控是输入门、遗忘门和______。

7.PLM的核心是______学习。

8.文本生成解码策略有束搜索和______。

9.NER目标是识别文本中的______实体。

10.Transformer位置编码作用是______。

答案：

1.分词2.FastText3.自4.BLEU5.掩码语言模型（MLM）6.输出门7.通用语义8.贪心解码9.命名（如人名/地名）10.添加序列位置信息

二、单项选择题（10题，每题2分）

1.不属于RNN变体的是？A.LSTMB.GRUC.TransformerD.Bi-RNN

2.BERT输入不包含？A.TokenEmbeddingB.SegmentEmbeddingC.PositionEmbeddingD.ContextEmbedding

3.词向量常用维度上限是？A.100B.300C.1000D.2000

4.生成式预训练模型是？A.BERTB.RoBERTaC.GPTD.ALBERT

5.注意力QKV维度关系是？A.d_k=d_vB.d_k≠d_vC.d_kd_vD.d_kd_v

6.非统计分词方法是？A.最大匹配B.词频分词C.神经网络分词D.正向最大匹配

7.文本生成召回指标是？A.BLEUB.ROUGEC.PerplexityD.Accuracy

8.LSTM遗忘门作用是？A.保留当前状态B.输入新信息C.输出状态D.以上都不是

9.Transformer多头注意力头数常用？A.1B.8/16C.32D.64

10.NER常用深度学习模型是？A.CRFB.Bi-LSTM+CRFC.SVMD.NaiveBayes

答案：

1.C2.D3.B4.C5.A6.C7.B8.A9.B10.B

三、多项选择题（10题，每题2分，多选/少选/错选不得分）

1.NLP核心任务含？A.文本分类B.机器翻译C.图像识别D.语音合成

2.BERT特点是？A.双向TransformerB.MLMC.句子对预训练D.单向生成

3.词嵌入作用含？A.语义表示B.降维C.上下文捕捉D.加速计算

4.文本生成评估指标含？A.BLEUB.ROUGEC.PerplexityD.F1-score

5.Transformer组件含？A.多头注意力B.前馈网络C.循环单元D.位置编码

6.LSTM优势是？A.解决梯度消失B.长距离依赖C.并行计算D.参数量少

7.PLM微调方式含？A.分类头微调B.全参数微调C.适配器微调D.零样本学习

8.NER类型含？A.人名识别B.地名识别C.机构名识别D.关系抽取

9.文本分类模型含？A.CNNB.RNNC.BERTD.SVM

10.注意力作用含？A.权重分配B.长距离依赖捕捉C.并行计算D.减少计算量

答案：

1.AB2.ABC3.AC4.ABC5.ABD6.AB7.ABCD8.ABC9.ABCD10.AB

四、判断题（10题，每题2分，√/×）

1.Word2Vec分CBOW和Skip-gram。

2.BERT用单向Transformer。

3.LSTM解决RNN梯度消失。

4.BLEU越高翻译质量越好。

5.分词是NLP第一步预处理。

6.FastText结合词级和字符级嵌入。

7.Transformer无循环结构可并行。

8.PLM只能用于分类。

9.ROUGE是生成文本召回指标。

10.注意力QKV必须来自不同输入。

答案：

1.√2.×3.√4.√5.√6.√7.√8.×9.√10.×

五、简答题（4题，每题5分）

1.简述Transformer多头注意力作用。

答案：多头注意力将QKV拆分为多个子空间，每个头学习不同维度的语义关系（如语法/语义依赖）；多头发散信息融合后，增强长序列理解能力，提升任务性能。

2.对比Word2Vec和GloVe异同。

答案：同：均为预训练词向量，捕捉语义相似性；异：Word2Vec基于局部上下文（窗口内）学习，GloVe基于全局词共现矩阵学习，可利用全局统计信息。

3.文本分类一般流程。

答案：1.预处理（分词、去停用词、词嵌入）；2.特征提取（词袋/TF-IDF/预训练向量）；3.模型训练（CNN/RNN/BERT）；4.评估（Accuracy/F1）；5.部署。

4.什么是PLM？核心思想？

答案：PLM是大规模无标注文本预训练的通用语言模型；核心是“预训练+微调”：先学通用语义，再针对