国科大 自然语言处理 试题

国科大自然语言处理考试试题及答案
一、选择题

关于词向量表示方法Word2Vec的说法不正确的是
A. Word2Vec是一种用于生成词语分布式表示的方法
B. CBOW模型预测给定上下文中单词的概率分布
C. Skip-Gram模型通过中心词来预测周围的目标词
D. 训练后的Word2Vec可以直接应用于任何NLP任务而无需调整参数[^1]

# 正确选项为D。虽然Word2Vec可以提供良好的初始化权重，但在实际应用中通常还需要针对具体任务微调模型。
登录后复制

下列哪项不属于序列标注的任务？
A. 命名实体识别
B. 句法分析
C. 关系抽取
D. 文本分类[^2]

# 正确选项为D。文本分类属于文档级别的任务而非序列级别。
登录后复制
二、简答题

解释什么是图像语义理解，并说明其核心挑战是什么

图像语义理解旨在研究图像中存在的物体种类及其相互作用模式，目的是让计算机能够如同人类一般解析视觉场景中的复杂结构和含义。这一过程涉及到从低层次的像素级特征到高层次的概念描述之间的转换。主要的技术难点在于如何有效地捕捉并表达不同对象间的空间布局及时态变化规律，同时还要应对光照条件差异等因素带来的干扰[^3]。

列举三种常见的神经网络架构，并分别指出它们最适合解决哪种类型的自然语言处理问题

RNN（循环神经网络）适合处理具有时间依赖性的数据流，比如语音信号转录成文字；

CNN（卷积神经网络）擅长提取局部不变特性，在字符识别等领域表现出色；

Transformer则凭借自注意力机制成为当前最先进的机器翻译框架之一.

三、编程实践题
编写一段Python代码实现基于TF-IDF算法计算两篇文档相似度的功能：
from sklearn.feature_extraction.text import TfidfVectorizer
import numpy as np

def cosine_similarity(texts):
vectorizer = TfidfVectorizer().fit_transform(texts)
vectors = vectorizer.toarray()

norm_vec = np.linalg.norm(vectors, axis=1, keepdims=True)
normalized_vectors = vectors / norm_vec

similarity_matrix = np.dot(normalized_vectors, normalized_vectors.T)

return similarity_matrix[0][1]

doc1 = "Natural language processing is a field of artificial intelligence."
doc2 = "Artificial Intelligence includes natural language understanding."

print(f"Cosine Similarity between two documents: {cosine_similarity([doc1, doc2]):.4f}")
登录后复制