2025年自然语言处理工程师考试题库（附答案和详细解析）（1122）.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）

以下哪项是自然语言处理中“词袋模型”（Bag-of-Words）的主要缺陷？

A.无法捕捉词序信息

B.无法处理多语言文本

C.计算复杂度极高

D.仅适用于短文本

答案：A

解析：词袋模型通过统计词频表示文本，忽略了词语的顺序和上下文关系（如“猫追狗”与“狗追猫”会被视为相同），因此主要缺陷是无法捕捉词序信息（A正确）。其他选项中，多语言处理与模型设计无关（B错误）；词袋模型计算复杂度低（C错误）；适用于长/短文本（D错误）。

以下哪种模型属于生成式预训练模型（GenerativePretrainedModel）？

A.BERT

B.GPT

C.RoBERTa

D.ALBERT

答案：B

解析：GPT（GenerativePre-trainedTransformer）是典型的自回归生成模型，通过预测下一个词进行预训练（B正确）。BERT、RoBERTa、ALBERT均为自编码模型（通过掩码语言模型预训练），属于判别式模型（A、C、D错误）。

中文分词中“北大分词标准”主要基于以下哪种方法？

A.基于规则的分词

B.基于统计的分词

C.混合分词

D.深度学习分词

答案：A

解析：早期中文分词（如北大标准）主要依赖人工总结的分词规则（如词典匹配、歧义切分规则），属于基于规则的方法（A正确）。统计分词依赖语料库概率（如HMM），混合分词结合规则与统计，深度学习分词（如BiLSTM-CRF）为近年方法（B、C、D错误）。

情感分析任务中，“方面级情感分析”（Aspect-BasedSentimentAnalysis）的核心目标是？

A.判断整个文本的情感倾向

B.识别文本中具体评价对象（如“手机电池”）及其情感

C.分析情感强度（如“非常满意”vs“比较满意”）

D.检测情感词的语义极性（如“好”为正，“差”为负）

答案：B

解析：方面级情感分析需同时定位评价对象（方面）并判断其情感（如“这部手机的电池很耐用”中，方面是“电池”，情感为正），因此核心目标是B。A是篇章级情感分析，C是情感强度分析，D是情感词极性判断（A、C、D错误）。

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

A.减少计算量

B.捕捉不同子空间的上下文信息

C.替代位置编码

D.增强模型的生成能力

答案：B

解析：多头注意力通过将查询、键、值向量分割为多个头，并行学习不同子空间的注意力模式（如句法、语义、位置信息），从而捕捉更丰富的上下文信息（B正确）。多头注意力会增加计算量（A错误）；位置编码是独立模块（C错误）；生成能力由解码器结构决定（D错误）。

机器翻译任务中，“BLEU”指标主要通过比较以下哪项内容计算得分？

A.候选翻译与参考翻译的词序

B.候选翻译与参考翻译的n-gram重叠率

C.候选翻译的语法正确性

D.候选翻译的语义准确性

答案：B

解析：BLEU（BilingualEvaluationUnderstudy）通过计算候选翻译与参考翻译的n-gram（如1-gram、2-gram）重叠比例，并进行长度惩罚，核心是n-gram重叠率（B正确）。词序、语法、语义非直接计算内容（A、C、D错误）。

以下哪种技术属于“指代消解”（CoreferenceResolution）的应用场景？

A.识别文本中的人名、地名

B.确定“它”“他”等代词所指代的具体实体

C.分析句子的主谓宾结构

D.生成与输入文本语义相同的paraphrase

答案：B

解析：指代消解的目标是将代词或名词短语与其先行词（如“小明买了书，他很喜欢”中“他”指代“小明”）关联，因此B正确。A是命名实体识别，C是句法分析，D是文本生成（A、C、D错误）。

以下哪项是“词嵌入”（WordEmbedding）的核心优势？

A.将词语转换为固定长度的离散向量

B.捕捉词语的语义相似性（如同义词向量相近）

C.完全解决一词多义问题

D.仅适用于英文文本

答案：B

解析：词嵌入（如Word2Vec、GloVe）通过连续向量表示词语，使语义相近的词在向量空间中距离更近（如“猫”和“狗”向量相近），因此B正确。词嵌入是连续向量（A错误）；无法完全解决一词多义（C错误）；适用于多语言（D错误）。

以下哪种模型结构最适合处理“序列标注”任务（如命名实体识别）？

A.前馈神经网络（FNN）

B.卷积神经网络（CNN）

C.循环神经网络（RNN）+条件随机场（CRF）

D.自注意力网络（Transformer）

答案：C

解析：序列标注需捕捉序列中的上下文依赖，RNN（如Bi