2025年自然语言处理工程师考试题库（附答案和详细解析）（1215）.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模型的核心训练目标？

A.预测文本情感倾向

B.学习词的分布式语义表示

C.生成符合语法的句子

D.识别文本中的命名实体

答案：B

解析：Word2Vec是典型的词向量训练模型，其核心目标是通过上下文预测任务（CBOW或Skip-gram）学习词的低维稠密向量表示，捕捉词语间的语义关联。A是情感分析任务目标，C是语言模型目标，D是命名实体识别（NER）目标，均错误。

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.机器翻译（MT）

D.以上均是预训练任务

答案：C

解析：BERT的预训练任务主要是MLM（随机掩码部分输入词并预测）和NSP（判断两句话是否连续）。机器翻译属于下游任务，需通过微调实现，并非预训练阶段的任务，因此C错误。

循环神经网络（RNN）的主要局限性是？

A.参数数量过多

B.无法处理变长序列

C.长距离依赖问题（梯度消失/爆炸）

D.难以并行计算

答案：C

解析：RNN通过循环结构建模序列依赖，但由于梯度反向传播时的指数级衰减（梯度消失）或放大（梯度爆炸），难以捕捉长距离的语义关联。A错误（参数数量并非主要局限）；B错误（RNN可处理变长序列）；D是RNN的特点但非核心局限（Transformer通过自注意力解决并行问题）。

情感分析任务本质上属于以下哪类NLP任务？

A.生成式任务

B.分类任务

C.序列标注任务

D.问答任务

答案：B

解析：情感分析通常需将文本分类为积极/消极/中性等类别，属于典型的文本分类任务。生成式任务（如文本摘要）需生成新文本，序列标注（如NER）需为每个token打标签，问答任务需从文本中提取答案，均不符合，故B正确。

以下哪项是中文分词的常用工具？

A.spaCy

B.jieba

C.NLTK

D.TensorFlow

答案：B

解析：jieba是专门针对中文的分词工具，支持精确分词、全模式分词等。spaCy（A）和NLTK（C）主要用于英文处理；TensorFlow（D）是深度学习框架，不直接用于分词，故B正确。

以下哪种词向量模型属于上下文相关的表示？

A.Word2Vec

B.GloVe

C.ELMo

D.FastText

答案：C

解析：ELMo（EmbeddingsfromLanguageModels）通过双向LSTM生成上下文相关的词向量，同一词语在不同语境下表示不同。Word2Vec（A）、GloVe（B）、FastText（D）均为静态词向量，不考虑上下文，故C正确。

Transformer模型中，多头注意力机制的主要作用是？

A.减少模型参数数量

B.捕捉不同子空间的语义关联

C.提升模型的并行计算能力

D.解决梯度消失问题

答案：B

解析：多头注意力将输入分成多个头，分别学习不同子空间的注意力模式，从而捕捉更丰富的语义关联（如句法、语义、位置等）。A错误（多头会增加参数）；C是自注意力结构的特性（非多头特有）；D由残差连接解决，故B正确。

以下哪项不是文本分类的常见评价指标？

A.准确率（Accuracy）

B.F1值

C.BLEU分数

D.AUC-ROC

答案：C

解析：BLEU分数主要用于评价生成式任务（如机器翻译、文本摘要）的输出与参考文本的匹配程度。文本分类常用准确率（A）、F1值（B）、AUC-ROC（D）等，故C错误。

命名实体识别（NER）的输出形式通常是？

A.文本类别标签（如“体育”“科技”）

B.每个token的实体类型标签（如“PER”“LOC”）

C.生成一段摘要

D.问答对

答案：B

解析：NER需为文本中的每个token标注是否为实体及具体类型（如人名PER、地点LOC），属于序列标注任务。A是文本分类输出，C是摘要任务，D是问答任务，故B正确。

以下哪种模型属于生成式预训练模型？

A.BERT

B.GPT

C.RoBERTa

D.ALBERT

答案：B

解析：GPT（GenerativePre-trainedTransformer）是基于自回归（Auto-Regressive）的生成式模型，通过预测下一个token完成预训练。BERT（A）、RoBERTa（C）、ALBERT（D）均为双向预训练模型，主要用于理解任务，故B正确。

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.Word2Vec

B.BERT

C.GPT

D.ELMo

答案：BCD

解析：预训练语言模型指通过大规模无标注文本预训练、再微调至下游任务的模型。BER