人工智能NLP算法岗面试题精选，附解析

问题1：当在文本数据中创建一个机器学习模型时，你创建了一个输入数据为 100K 的文献检索词矩阵（document-term matrix）。

下列哪些纠正方法可以用来减少数据的维度：

1、隐狄利克雷分布（Latent Dirichlet Allocation）

2、潜在语义索引（Latent Semantic Indexing）

3、关键词归一化（Keyword Normalization）

A、只有 1

B、2、3

C、1、3

D、1、2、3

答案：D

解析：所有的这些方法都可用于减少数据维度。

---

文末VIP会员、机械键盘、纸质书、硬盘等包邮送!

---

问题2：谷歌搜索特征——「Did you mean」，是不同方法相混合的结果。下列哪种方法可能是其组成部分？

1、用协同过滤模型（Collaborative Filtering model）来检测相似用户表现（查询）

2、在术语中检查 Levenshtein 距离的模型

3、将句子译成多种语言

A、1

B、2

C、1、2

D、1、2、3

答案：C

解析：协同过滤可以用于检测人们使用的是何种模式，Levenshtein 用来测量术语间的距离。协同过滤相信大家有所了解，这里具体说一下Levenshtein Distance 算法，它又叫 Edit Distance 算法，是指两个字符串之间，由一个转成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。一般来说，编辑距离越小，两个串的相似度越大。这个“编辑距离”问题在搜索引擎中有着重要的作用，如搜索引擎关键字查询中拼写错误的提示，如下图所示，当你输入“Jult”后，因为没有这个单词“Jult”，所以搜索引擎猜测你可能是输入错误，进而会提示你是不是找“July”。

问题3： 在处理自然结构的新闻性句子的时候，哪种基于语法的文本句法分析方法可以用于名词短语检测、动词短语检测、主语检测和宾语检测。

A、部分语音标注

B、依存句法分析（Dependency Parsing）和选取句法分析（Constituency Parsing）

C、Skip Gram 和 N-Gram 提取

D、连续性词包

答案：B

解析：依存句法分析和选取句法分析可从文本中提取这些关系。

问题4：社交媒体平台是文本数据最直观的呈现形式。假设你有一个推特社交媒体完整语料库，你会如何创建一个建议标签的模型？

A、完成一个主题模型掌握语料库中最重要的词汇；

B、训练一袋 N-gram 模型捕捉顶尖的 n-gram：词汇和短语

C、训练一个词向量模型学习复制句子中的语境

D、以上所有

答案：D

解析：上面所有的技术都可被用于提取语料库中最重要的词条。

问题5：在从文本数据中提取语境时，你遇到两个不同的句子：The tank is full of soldiers. The tank is full of nitrogen。下面哪种措施可被用于句子中词意模糊的问题？

A、对比模糊词汇与近义词在词典上的定义

B、同指（Co-reference) 解决方案，使用先前句子中包含的正确词意解决模糊单词的含义。

C、使用句子的依存解析理解含义

答案：A

解析：A 选项被称为 Lesk 算法，被用在词意模糊问题上，其他选择不对。

问题6：协同过滤和基于内容的模型是两种流行的推荐引擎，在建立这样的算法中 NLP 扮演什么角色？

A、从文本中提取特征

B、测量特征相似度

C、为学习模型的向量空间编程特征

D、以上都是

答案：D

解析：NLP 可用于文本数据相关的任何地方：特征提取、测量特征相似度、创造文本的向量特征。

问题7：基于检索的模型和生成式模型是建立聊天机器人的两个主流技术，下面那个选项分别包含检索模型和生成式模型例子？

A、基于辞典的学习和词向量模型

B、基于规则的学习和序列到序列模型

C、词向量和句子到向量模型

D、循环神经网络和卷积神经网络

答案：B

解析：选项 B 最佳诠释了基于检索的模型和生成式模型的例子。

问题8：CRF（条件随机场）和 HMM（隐马尔可夫模型）之间的主要区别是什么？

A、CRF 是生成式的，而 HMM 是判别式模型；

B、CRF 是判别式模型，HMM 是生成式模型。

C、CRF 和 HMM 都是生成式模型；

D、CRF 和 HMM 都是判别式模型。

答案：B

解析：

1）生成式模型or判别式模型（假设 o 是观察值，m 是模型。）

a）生成式模型：无穷样本 -> 概率密度模型 = 产生式模型 -> 预测 如果对 P(o|m) 建模，就是生成式模型。其基本思想是首先建立样本的概率密度模型，再利用模型进行推理预测。要求已知样本无穷或尽可能的大限制。这种方法一般建立在统计力学和 Bayes 理论的基础之上。 HMM模型对转移概率和表现概率直接建模，统计共同出现的概率，是一种生成式模型。

b）判别式模型：有限样本 -> 判别函数 = 判别式模型 -> 预测 如果对条件概率 P(m|o) 建模，就是判别模型。其基本思想是有限样本条件下建立判别函数，不考虑样本的产生模型，直接研究预测模型。代表性理论为统计学习理论。 CRF是一种判别式模型。MEMM不是一种生成式模型，它是一种基于下状态分类的有限状态模型。

2）拓扑结构 HMM和MEMM是一种有向图，CRF是一种无向图

3）全局最优or局部最优 HMM对转移概率和表现概率直接建模，统计共现概率。 MEMM是对转移概率和表现概率建立联合概率，统计时统计的是条件概率，由于其只在局部做归一化，所以容易陷入局部最优。 CRF是在全局范围内统计归一化的概率，而不像是MEMM在局部统计归一化概率。是全局最优的解。解决了MEMM中标注偏置的问题。

4）优缺点比较 优点：

a）与HMM比较。CRF没有HMM那样严格的独立性假设条件，因而可以容纳任意的上下文信息。特征设计灵活（与ME一样）

b）与MEMM比较。由于CRF计算全局最优输出节点的条件概率，它还克服了最大熵马尔可夫模型标记偏置（Label-bias）的缺点。

c）与ME比较。CRF是在给定需要标记的观察序列的条件下，计算整个标记序列的联合概率分布，而不是在给定当前状态条件下，定义下一个状态的状态分布。 缺点： 训练代价大、复杂度高

问题9：根据语句「I am planning to visit New Delhi to attend Analytics Vidhya Delhi Hackathon」解方程。

A = (名词作为语音标签的一部分)

B = (动词作为语音标签的一部分)

C = (频率计数大于 1)

下面哪个是A、B、 C 的正确值？

A、5、5、2

B、5、5、0

C、7、5、1

D、7、4、2

E、6、4、3

答案：D

解析：名词：I, New, Delhi, Analytics, Vidhya, Delhi, Hackathon (7) 动词：am, planning, visit, attend (4) 频率计数大于 1 的词：to, Delhi (2) 因此，选项 D 正确。

问题10：Word2vec 也包含预处理模型（preprocessing mode），它不属于深度神经网络。下列关于 Word2vec 的说法哪些是正确的？

A、word2vec 的结构仅包括两层——连续性词包和 skip-gram 模型

B、连续性词包是浅层神经网络模型

C、Skip-gram 是深度神经网络模型

D、CBOW 和 Skip-gram 都是深度神经网络模型

E、以上表述全部正确

答案：B

解析：Word2vec 有两个变种，即连续性词包和 skip-gram 模型，都是浅层神经网络。

---

限时抢,猛戳直达>>AI提升季,正价课免费学，VIP会员、机械键盘、纸质书、硬盘等包邮送!--七月在线