2026年自然语言处理工程师考试题库（附答案和详细解析）（0121）.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.生成符合语法的句子

B.预测上下文词或中心词

C.进行情感极性分类

D.提取文本中的关键实体

答案：B

解析：Word2Vec的核心是通过“上下文-中心词”或“中心词-上下文”的预测任务学习词向量（CBOW和Skip-gram模型）。A是语言模型目标，C是分类任务目标，D是命名实体识别任务目标，均错误。

BERT模型在预训练阶段不包含以下哪项任务？

A.掩码语言模型（MLM）

B.下一句预测（NSP）

C.序列到序列生成

D.词元级别的双向表征学习

答案：C

解析：BERT预训练任务是MLM（随机掩码部分词并预测）和NSP（判断两句子是否连续）。序列到序列生成是GPT等模型的训练目标，BERT本身是双向编码器，不直接生成序列，故C错误。

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）是生成式模型，通过自回归方式训练（预测下一个词）；BERT、RoBERTa、ALBERT均为双向编码器，属于判别式预训练模型，故B正确。

在情感分析任务中，F1分数主要衡量模型的：

A.预测速度

B.精确率和召回率的调和平均

C.对长文本的处理能力

D.不同类别间的区分度

答案：B

解析：F1分数计算公式为2(精确率召回率)/(精确率+召回率)，是精确率和召回率的调和平均，用于综合评估分类模型的性能。A是效率指标，C是模型架构能力，D是混淆矩阵的整体表现，均错误。

以下哪项不是循环神经网络（RNN）的主要缺陷？

A.梯度消失/爆炸问题

B.难以并行化计算

C.无法捕捉长距离依赖

D.对词序不敏感

答案：D

解析：RNN通过隐状态传递捕捉序列顺序，对词序敏感（如“狗追猫”和“猫追狗”会被区分）。其缺陷包括梯度问题（A）、串行计算（B）、长距离依赖捕捉能力弱（C），故D错误。

中文分词中的“隐马尔可夫模型（HMM）”主要通过以下哪类概率进行解码？

A.发射概率和转移概率

B.词频统计概率

C.上下文语义概率

D.注意力权重概率

答案：A

解析：HMM将分词视为状态转移问题（状态为B/M/E/S），通过发射概率（字属于某状态的概率）和转移概率（状态间转移的概率）计算最优路径。B是基于统计的规则方法，C是深度学习模型特点，D是Transformer特性，故A正确。

机器翻译任务中，BLEU评估指标的核心是：

A.预测句与参考句的词序完全一致

B.不同长度n-gram的匹配度

C.句子的语法正确性

D.语义表示的向量相似度

答案：B

解析：BLEU通过计算预测句与参考句的n-gram（1-4元组）重叠率，并加权平均，最终考虑brevitypenalty（长度惩罚）。A要求过严，C是语法检查任务，D是余弦相似度指标，故B正确。

以下哪项属于非自回归生成模型？

A.Transformer解码器（自回归）

B.并行Transformer（Non-autoregressiveTransformer）

C.LSTM语言模型

D.GPT-3

答案：B

解析：非自回归模型可并行生成所有位置的词（如通过掩码预测），而自回归模型需按顺序生成（如A、C、D）。故B正确。

命名实体识别（NER）的常见标签体系不包括：

A.BIO

B.BILOU

C.IOBES

D.TF-IDF

答案：D

解析：TF-IDF是词重要性统计指标，非NER标签体系。BIO（Begin/Inside/Outside）、BILOU（Begin/Inside/Last/Outside/Unit）、IOBES（与BILOU类似）均为NER常用标签，故D错误。

以下哪种技术用于解决多模态NLP任务？

A.词嵌入（WordEmbedding）

B.视觉-语言对齐（Vision-LanguageAlignment）

C.注意力机制（Attention）

D.循环神经网络（RNN）

答案：B

解析：多模态任务需融合文本与其他模态（如图像），视觉-语言对齐技术（如CLIP模型）通过对齐图像和文本的表征实现。A是单模态文本处理，C、D是通用序列模型技术，故B正确。

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.GloVe

B.BERT

C.ELMo

D.Word2Vec

答案：BC

解析：预训练语言模型（PLM）指通过大规模语料预训练、可迁移至下游任务的模型，BERT（双向）和ELMo（深度上下