2025年自然语言处理工程师考试题库（附答案和详细解析）（1219）.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.预测句子的下一个词

B.最大化词与上下文的共现概率

C.学习词的主题分布

D.生成符合语法的句子

答案：B

解析：Word2Vec的核心是通过滑动窗口内的上下文词预测目标词（CBOW）或目标词预测上下文词（Skip-gram），本质是最大化词与上下文的共现概率。A是GPT等自回归模型的目标；C是LDA主题模型的目标；D是文本生成模型的目标。

Transformer模型中，位置编码的主要作用是？

A.增强模型的非线性表达能力

B.替代循环结构以实现并行计算

C.向模型传递词的顺序信息

D.减少注意力机制的计算复杂度

答案：C

解析：Transformer通过自注意力机制捕捉词间关系，但自身无内置的顺序感知能力，位置编码（绝对/相对位置编码）用于显式传递词的位置信息。A是激活函数的作用；B是自注意力机制的优势；D是多头注意力的设计目的之一。

命名实体识别（NER）任务本质上属于以下哪类问题？

A.文本分类

B.序列标注

C.机器翻译

D.文本生成

答案：B

解析：NER需要为文本中每个token标注实体类别（如B-PER、I-LOC），属于序列标注任务（每个位置有独立标签）。A是为整个文本分配单一标签；C/D是序列到序列任务。

BLEU指标主要用于评估以下哪类NLP任务？

A.情感分析

B.机器翻译

C.文本摘要

D.问答系统

答案：B

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，是机器翻译的经典指标。C常用ROUGE；A用准确率/F1；D用EM（完全匹配）等。

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

C.参数量过大

D.无法处理可变长度序列

答案：B

解析：RNN通过链式结构传递梯度，长距离依赖导致梯度在反向传播中逐渐消失（或爆炸），难以捕捉长距离语义关联。A是RNN的特点但非主要缺陷；C是深层模型的普遍问题；D可通过填充/掩码解决。

以下哪项是中文分词的常用工具？

A.NLTK

B.spaCy

C.jieba

D.Gensim

答案：C

解析：jieba是专为中文设计的分词工具（支持精确模式、全模式）。A/B是英文NLP工具；D是主题模型库。

BERT模型的输入表示不包含以下哪项？

A.词向量（TokenEmbedding）

B.位置向量（PositionEmbedding）

C.句子向量（SegmentEmbedding）

D.注意力掩码（AttentionMask）

答案：D

解析：BERT输入由TokenEmbedding（词向量）、PositionEmbedding（位置向量）、SegmentEmbedding（区分上下句）三部分相加组成。注意力掩码是计算时的辅助信息，非输入表示的一部分。

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.识别文本中的情感词

C.针对特定实体属性（如“手机电池”）分析情感

D.预测情感强度（如1-5星评分）

答案：C

解析：方面级情感分析关注细粒度情感，例如“手机电池续航差，但拍照效果好”中需分别分析“电池”（负面）和“拍照”（正面）的情感。A是篇章级情感分析；B是情感词抽取；D是情感强度分类。

以下哪项最适合作为文本生成任务的评估指标？

A.准确率（Accuracy）

B.F1分数

C.ROUGE

D.困惑度（Perplexity）

答案：C

解析：ROUGE（基于n-gram重叠的召回率）通过比较生成文本与参考文本的内容覆盖度评估生成质量，广泛用于摘要、对话等任务。A/B用于分类任务；D是语言模型训练时的损失指标，无法直接反映生成质量。

自注意力机制（Self-Attention）的核心作用是？

A.限制模型的感受野

B.为序列中每个词分配动态权重

C.增强模型的记忆能力

D.减少模型的参数量

答案：B

解析：自注意力通过计算序列中任意两个词的相关性，为每个词分配其他词的加权和作为表示，动态捕捉词间依赖关系。A是局部注意力的作用；C是RNN/记忆网络的功能；D是多头注意力的设计目标之一，但非核心。

二、多项选择题（共10题，每题2分，共20分）（每题至少2个正确选项）

以下属于预训练语言模型的有？

A.BERT

B.GPT

C.ELMo

D.Word2Vec

答案：ABC

解析：预训练语言模型（PLM）通过大规模无标注文本训练通用语义表示，包括BERT（双向）、GPT（单向）、ELMo