《自然語(yǔ)言處理技術(shù)與應(yīng)用》試卷及答案（共2套）

B.Segmentor

期末考試試題A卷（開(kāi)卷）

C.n元模型

適用班級(jí)：人工智能2001/2002專(zhuān)業(yè)：人工智能技術(shù)服務(wù)D.Postagger

考試時(shí)長(zhǎng)：120分鐘7.依存關(guān)系可以細(xì)分為不同的類(lèi)型，表示兩個(gè)詞之間的具體句法關(guān)

系。依存句法分析標(biāo)注關(guān)系，以下關(guān)系類(lèi)型和它的標(biāo)注不正確的是（）

得分閱卷人一、選擇題（單項(xiàng)選擇共15題，每題2分，共30A.前置賓語(yǔ)（FOB）

分）B.動(dòng)補(bǔ)結(jié)構(gòu)（CMP）

C.介賓關(guān)系（POB）

1.自然語(yǔ)言處理中的句子級(jí)別的分析技術(shù)，可以大致分為（）、D.定中關(guān)系（ATD）

句法分析、語(yǔ)義分析三個(gè)層面。8.以下有關(guān)計(jì)算機(jī)視覺(jué)的步驟中，哪個(gè)不屬于傳統(tǒng)方法（）。

A.詞法分析A.圖像預(yù)處理

B.文法分析B.特征提取

C.分詞C.特征篩選

D.語(yǔ)言分析D.神經(jīng)卷積

2.相對(duì)于其他的編程語(yǔ)言，Python具有以下哪些優(yōu)勢(shì)（）9.以下哪一個(gè)是不屬于三大特征抽取器（）。

A.Python提供了大量的自然語(yǔ)言處理庫(kù)A.CNN

B.編程語(yǔ)法較復(fù)雜B.RNN

C..編程語(yǔ)法相對(duì)簡(jiǎn)單C.HMM

D.具有很多數(shù)學(xué)科學(xué)相關(guān)的庫(kù)D.transformer類(lèi)型

3.詞法分析，主要包括（）、和詞性標(biāo)注、命名實(shí)體識(shí)別三部分。10.以下那部分代碼是正確引用gensim模塊的（）。

A.英語(yǔ)分詞A.fromgensimimportcorpora

B.分詞技術(shù)B.importnumpyasnp

C.漢語(yǔ)分詞C.importgenismasge

D.語(yǔ)言分詞D.importgensim

4.目前，中文分詞的難點(diǎn)不包括（）11.下列哪種關(guān)于無(wú)監(jiān)督關(guān)鍵詞提取的說(shuō)法是正確的（）。

A.分詞歧義消解A.基于詞的文檔位置的特征量化是屬于關(guān)鍵詞提取中有監(jiān)督算法的

B.錯(cuò)別字、諧音字規(guī)范化B.基于詞圖模型的關(guān)鍵詞抽取不用構(gòu)建文檔的語(yǔ)言網(wǎng)絡(luò)圖

C.未登錄詞的識(shí)別C.基于文本統(tǒng)計(jì)特征方法是利用文檔中詞語(yǔ)的統(tǒng)計(jì)信息抽取文檔的關(guān)鍵詞

D.分詞問(wèn)題D.基于主題模型認(rèn)為，詞與文檔之間有直接的聯(lián)系

5.采用jieba精確模式對(duì)“南京市長(zhǎng)江大橋”進(jìn)行分詞，得到的結(jié)果12.關(guān)于TF-IDF算法說(shuō)法不正確的是（）o

為：（）A.TF算法和IDF算法可以單獨(dú)使用

A.南京、市長(zhǎng)江大橋B.IDF的大小與詞語(yǔ)的常見(jiàn)程度成正比

B.南京市/長(zhǎng)江大橋C.TF算法權(quán)衡詞出現(xiàn)的頻率，不考慮詞語(yǔ)對(duì)文檔的區(qū)分能力

C.南京/南京市/京市/市長(zhǎng)/長(zhǎng)江/長(zhǎng)江大橋/大橋D.TF-IDF算法，從詞頻、逆文檔頻率兩個(gè)角度對(duì)詞語(yǔ)的重要性進(jìn)行衡量

D.南京/京市/南京市/長(zhǎng)江/大橋/長(zhǎng)江大橋13.下列關(guān)于說(shuō)法不正確的是（）。

6.下面哪項(xiàng)不屬于LTP的主要模型：（）A.DF值廣泛應(yīng)用于大規(guī)模語(yǔ)料的特征降維

A.SentenceSplitterB.計(jì)算出每個(gè)特征的信息增益后，就可以移除那些信息量較低的特征

C.互信息是指根據(jù)特征與類(lèi)別的關(guān)聯(lián)程度來(lái)計(jì)算特征與類(lèi)別的相關(guān)度得分閱卷入三、填空題（共13題，每空1分，共20分）

D.當(dāng)對(duì)梁樣本平均數(shù)進(jìn)行比較時(shí)，可以采用卡方檢驗(yàn)

14.基于機(jī)器學(xué)習(xí)的情感分析方法本質(zhì)是一個(gè)分類(lèi)問(wèn)題，該方法使用的經(jīng)典分類(lèi)

模型不包括（）。1.自然語(yǔ)言處理的三個(gè)層面有：和、語(yǔ)義分

A.支持向量機(jī)析。

B.樸素貝葉斯2.根據(jù)句法結(jié)構(gòu)的表示形式不同，最常見(jiàn)的句法分析任務(wù)可

C.卡爾曼濾波以分為以下三種：、依存句法分析以及深層文法句法分

D.最大端模型析。

15.自然語(yǔ)言理解的簡(jiǎn)稱(chēng)是什么？（）。3.基于規(guī)則的分詞方法有：正向最大匹配法、和雙向最

A.NLP大匹配法。

B.ANN4..LTP是基于C++開(kāi)發(fā)的，但是也提供了Python的封裝包——

C.NLUPyltp。Pyltp的安裝直接使用pip進(jìn)行安裝，在命令行輸

D.APL入。

5.句法分析的數(shù)據(jù)集是樹(shù)形標(biāo)注結(jié)構(gòu)，稱(chēng)為。

得分閱卷人二、判斷題（對(duì)的打'，'，錯(cuò)的打'X',共106.的結(jié)構(gòu)沒(méi)有非終結(jié)點(diǎn)，詞與詞之間直接發(fā)生依存

題，每題1分，共10分）關(guān)系。

7.卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括：、

1.句法分析的主要任務(wù)是：識(shí)別出句子所包含的句法成分，以及這和O

些成分之間的關(guān)系。（）8.Word2vec主要包含兩個(gè)淺層的神經(jīng)網(wǎng)絡(luò)模型，分別是

2.使用jieba進(jìn)行分詞，需要導(dǎo)入jieba工具包。（）和0

3.Stanfordparser的底層是由python實(shí)現(xiàn)的。（）9.在使用TF-IDF算法提取關(guān)鍵詞時(shí)，為使候選詞標(biāo)準(zhǔn)化，TF值

4.re.match嘗試從字符串的起始位置匹配一個(gè)模式，如果起始位置=,候選詞的IDF=,候選詞的

匹配不成功的話，就返回none。（）TF-IDF=o

5.自然語(yǔ)言處理有兩個(gè)核心任務(wù)，一個(gè)是自然語(yǔ)言理解，另外一個(gè)10.PageRank在計(jì)算句子給它鏈接句的貢獻(xiàn)時(shí)，是通過(guò)計(jì)算

是自然語(yǔ)言生成。（）來(lái)分配。

6.自然語(yǔ)言處理（NaturalLanguageProcessing,NLP）是計(jì)算機(jī)科11.特征工程一般包括、、三個(gè)部

學(xué)領(lǐng)域以及大數(shù)據(jù)領(lǐng)域的一個(gè)重要的研究方向。（）分。

7.基于規(guī)則的分詞方法是最早興起的分詞方法，主要是通過(guò)設(shè)立詞12..目前情感分析的方法主要分為三類(lèi)，分別為、

庫(kù)和規(guī)則，然后使用匹配的方法進(jìn)行分詞。（）

8.命名實(shí)體識(shí)別（NER）的目的在于識(shí)別語(yǔ)料中人名、地名、組織13.神經(jīng)網(wǎng)絡(luò)模型的復(fù)興使得深度學(xué)習(xí)在語(yǔ)音、圖像、文本處理得到

機(jī)構(gòu)名等命名實(shí)體。（）了廣泛的應(yīng)用，講深度學(xué)習(xí)應(yīng)用在情感分析中，一般采用和結(jié)合的

9.條件隨機(jī)場(chǎng)（CRF）也是一種基于馬爾科夫思想的統(tǒng)計(jì)模型。之方法和O

前的模型都假設(shè)每個(gè)狀態(tài)均只與它前面的狀態(tài)有關(guān)。（）

10.jieba分詞工具提供了詞性標(biāo)注功能。jieba分詞是結(jié)合規(guī)則和統(tǒng)得分閱卷入四、綜合應(yīng)用題一（5分）

計(jì)的方式，也就是說(shuō)同時(shí)使用詞典匹配和HMM?（）

（1）將以下內(nèi)容轉(zhuǎn)為txt文本：得分閱卷人六、綜合應(yīng)用題三（20分）

Icouldimaginehisgivingafriendalittlepinchofthelatestvegetable

alkaloid,notoutofmalevolence,youunderstand,butsimplyoutofaspirit

ofinquiryinordertohaveanaccurateideaoftheeffects.（2分）自定義函數(shù)get_content（）,分別讀取data文件夾下neg和pos文件

（2）對(duì)內(nèi)容進(jìn)行分詞，統(tǒng)計(jì)文本中的所有詞語(yǔ)，進(jìn)行獨(dú)熱編碼，得到夾中的文件。

每個(gè)詞的one-hot向量表示.（2分）

（3）將句子進(jìn)行文本向量化。（1分）

得分閱卷入五、綜合應(yīng)用題二（15分）

使用TF-IDF算法完成對(duì)以下內(nèi)容實(shí)現(xiàn)關(guān)鍵詞的提

?。?/p>

展望2035年，我國(guó)將基本實(shí)現(xiàn)社會(huì)主義現(xiàn)代化。經(jīng)濟(jì)實(shí)力、科技實(shí)

力、綜合國(guó)力將大幅躍升，經(jīng)濟(jì)總量和城鄉(xiāng)居民人均收入將再邁上新

的大臺(tái)階，關(guān)鍵核心技術(shù)實(shí)現(xiàn)重大突破，進(jìn)入創(chuàng)新型國(guó)家前列?；?/p>

實(shí)現(xiàn)新型工業(yè)化、信息化、城鎮(zhèn)化、農(nóng)業(yè)現(xiàn)代化，建成現(xiàn)代化經(jīng)濟(jì)體

系。基本實(shí)現(xiàn)國(guó)家治理體系和治理能力現(xiàn)代化，人民平等參與、平等

發(fā)展權(quán)利得到充分保障，基本建成法治國(guó)家、法治政府、法治社會(huì)。

建成文化強(qiáng)國(guó)、教育強(qiáng)國(guó)、人才強(qiáng)國(guó)、體育強(qiáng)國(guó)、健康中國(guó)，國(guó)民素

質(zhì)和社會(huì)文明程度達(dá)到新高度，國(guó)家文化軟實(shí)力顯著增強(qiáng)。廣泛形成

綠色生產(chǎn)生活方式，碳排放達(dá)峰后穩(wěn)中有降，生態(tài)環(huán)境根本好轉(zhuǎn)，美

麗中國(guó)建設(shè)目標(biāo)基本實(shí)現(xiàn)。形成對(duì)外開(kāi)放新格局，參與國(guó)際經(jīng)濟(jì)合作

和競(jìng)爭(zhēng)新優(yōu)勢(shì)明顯增強(qiáng)。人均國(guó)內(nèi)生產(chǎn)總值達(dá)到中等發(fā)達(dá)國(guó)家水平，

中等收入群體顯著擴(kuò)大，基本公共服務(wù)實(shí)現(xiàn)均等化，城鄉(xiāng)區(qū)域發(fā)展差

距和居民生活水平差距顯著縮小。平安中國(guó)建設(shè)達(dá)到更高水平，基本

實(shí)現(xiàn)國(guó)防和軍隊(duì)現(xiàn)代化。人民生活更加美好，人的全面發(fā)展、全體人

民共同富裕取得更為明顯的實(shí)質(zhì)性進(jìn)展。經(jīng)濟(jì)發(fā)展取得新成效。發(fā)展

是解決我國(guó)一切問(wèn)題的基礎(chǔ)和關(guān)鍵，發(fā)展必須堅(jiān)持新發(fā)展理念，在質(zhì)

量效益明顯提升的基礎(chǔ)上實(shí)現(xiàn)經(jīng)濟(jì)持續(xù)健康發(fā)展，增長(zhǎng)潛力充分發(fā)揮，

國(guó)內(nèi)生產(chǎn)總值年均增長(zhǎng)保持在合理區(qū)間、各年度視情提出，全員勞動(dòng)

生產(chǎn)率增長(zhǎng)高于國(guó)內(nèi)生產(chǎn)總值增長(zhǎng)，國(guó)內(nèi)市場(chǎng)更加強(qiáng)大，經(jīng)濟(jì)結(jié)構(gòu)更

加優(yōu)化，創(chuàng)新能力顯著提升，全社會(huì)研發(fā)經(jīng)費(fèi)投入年均增長(zhǎng)7%以上、

力爭(zhēng)投入強(qiáng)度高于“十三五”時(shí)期實(shí)際，產(chǎn)業(yè)基礎(chǔ)高級(jí)化、產(chǎn)業(yè)鏈現(xiàn)

代化水平明顯提高，農(nóng)業(yè)基礎(chǔ)更加穩(wěn)固，城鄉(xiāng)區(qū)域發(fā)展協(xié)調(diào)性明顯增

強(qiáng)，常住人口城鎮(zhèn)化率提高到65%,現(xiàn)代化經(jīng)濟(jì)體系建設(shè)取得重大進(jìn)

展。

《Python文本與語(yǔ)音應(yīng)用設(shè)計(jì)》期末考試試題9.

10.

A卷答題紙

得分閱卷人三、填空題（共13題，每空1分，共20分）

適用班級(jí)：人工智能2001/2002專(zhuān)業(yè)：人工智能技術(shù)服務(wù)

1.

得分閱卷人一、選擇題（單項(xiàng)選擇共15題，每題2分，共302.

分）3.

4.

1.5.

2.6.

3.7.

4.8.

5.9.

6.10.

7.11.

8.12.

9.13.

10.

11.綜合應(yīng)用題一（5分）

12.

13.

14.

15

綜合應(yīng)用題二（15分）

得分閱卷人二、、判斷題（對(duì)的打'J,錯(cuò)的打'X',共

10題，每題1分，共10分）

1

2綜合應(yīng)用題三（20分）

3

4

5

6

7

8

8.對(duì)

期末考試試題9.對(duì)

10.錯(cuò)

A卷答案

得分閱卷入二、填空題（共13題，每空1分，共20分）

適用班級(jí)：專(zhuān)業(yè)：人工智能技術(shù)服務(wù)

1詞.法分析、句法分析

一、選擇題（單項(xiàng)選擇共15題，每題2分，共302短.語(yǔ)結(jié)構(gòu)句法分析

分）3.逆向最大匹配法

4.pipinstallpyltp

I.A5.句法分析樹(shù)或句法樹(shù)

2.B6依.存語(yǔ)法

3.B7卷.積層，降采樣層，全鏈接層

4.C8.CBOW（ContinuesBagofWords）模型Skip-gram模型

5.B9.（word在文檔中出現(xiàn)的頻率）/（文檔的總詞數(shù)）、log（語(yǔ)料庫(kù)中文檔總

6.C數(shù)/（1+出現(xiàn)word的文檔數(shù)量））、TF-IDF=TFxIDF

7.D10.權(quán)重占總權(quán)重的比例

8.Dn.特征構(gòu)建、特征提取、特征選擇

9.C12.基于詞典的方法、基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法和基于深度學(xué)習(xí)的方法

10.A13.詞向量RNN

11.C

12.B

13.D

14.B

15.A

彳導(dǎo)分閱卷入二、、判斷題（對(duì)的打'，'，錯(cuò)的打'X',共

——10題，每題1分，共10分）

L對(duì)

2.對(duì)

3.錯(cuò)

4.對(duì)

5.對(duì)

6.對(duì)

7.對(duì)

略

6.詞性標(biāo)注的正確與否會(huì)直接影響到之后的（）、語(yǔ)義分析，是中文

期末考試試題B卷（開(kāi)卷）

自然語(yǔ)言處理的基礎(chǔ)之一。

適用班級(jí)：人工智能2001/2002專(zhuān)業(yè)：人工智能技術(shù)服務(wù)A.詞法分析

考試時(shí)長(zhǎng)：120分鐘B.語(yǔ)言分析

C.句子分析

得分閱卷入一、選擇題（單項(xiàng)選擇共15題，每題2分，共30D.句法分析

分）7.關(guān)于Stanfordparser下面說(shuō)法不正確的是：（）

E.Stanfordparser的底層是由Java實(shí)現(xiàn)的，因此需要確保安裝JDK。

1.自然語(yǔ)言處理的發(fā)展大致分為3個(gè)階段：（），20世紀(jì)70年F.Stanfordparser的Python封裝是在NLTK庫(kù)中實(shí)現(xiàn)的，因此，需

代和21世紀(jì)。要安裝NETK庫(kù)。

A.19世紀(jì)晚期G.NLTK是一款Python的自然語(yǔ)言處理工具，但主要針對(duì)中文。

B.19世紀(jì)中期H.Stanfordparser基于概率統(tǒng)計(jì)進(jìn)行句法分析。

C.19世紀(jì)早期8.RNN的應(yīng)用場(chǎng)景不包括（）。

D.20世紀(jì)50年代A.生成圖像描述

2.以下哪個(gè)不屬于文件對(duì)象的方法？（）B.語(yǔ)音識(shí)別

A.file.read（［size］）C.視頻標(biāo)記

B.file.write（str）D.自動(dòng)拍照

C.file.readlinef）9.當(dāng)處理序列問(wèn)題發(fā)現(xiàn)，當(dāng)前時(shí)刻的輸出既與前面時(shí)刻輸入有關(guān)，又與未來(lái)時(shí)

D.file.close（）刻輸出有關(guān)，應(yīng)選擇哪個(gè)模型更為合適（）

3.為了保證無(wú)論是否出錯(cuò)都能正確地關(guān)閉文件，可以使用（）來(lái)實(shí)現(xiàn)。A.CNN

A.breakB.RNN

B.for循環(huán)語(yǔ)句C.雙向LSTM

C.try**finallyD.GMM

D.if...else10.關(guān)于one-hot編碼說(shuō)法不正確的是（）。

4.目前的分詞方法主要有三種：基于規(guī)則的分詞方法、基于統(tǒng)計(jì)的A.one-hot編碼是一位有效編碼

分詞方法以及（）。B.每個(gè)狀態(tài)都有自己獨(dú)立的寄存器位

A.基于語(yǔ)法的分詞方法C.隨著語(yǔ)料庫(kù)詞語(yǔ)的增加，詞向量的維度高且稀疏

B.基于語(yǔ)種的分詞方法D.計(jì)算詞與詞之間的相似性

C.基于語(yǔ)言的分詞方法11.基于主題模型方法使用的算法是（）。

D.基于語(yǔ)義的分詞方法A.TF-IDF算法

5.采用jieba搜索引擎模式對(duì)“南京市長(zhǎng)江大橋”進(jìn)行分詞，得到的結(jié)果B.LDA算法

為（）C.TextRank算法

A.南京、市長(zhǎng)江大橋D.KNN算法

B.南京市/長(zhǎng)江大橋12.TF-IDF算法中使用哪個(gè)函數(shù)對(duì)數(shù)據(jù)集進(jìn)行分詞，去停用詞（）。

C.南京/南京市/京市/市長(zhǎng)/長(zhǎng)江/長(zhǎng)江大橋/大橋A.pos

D.南京/京市/南京市/長(zhǎng)江/大橋/長(zhǎng)江大橋B.corpus_path

C.preprocess8.條件隨機(jī)場(chǎng)（CRF）也是一種基于馬爾科夫思想的統(tǒng)計(jì)模型。之

D.idf_dic前的模型都假設(shè)每個(gè)狀態(tài)均只與它前面的狀態(tài)有關(guān)。（）

13.根據(jù)代碼確定fit_prior:為T(mén)rue的含義（）。9.命名實(shí)體識(shí)別（NER）的目的在于識(shí)別語(yǔ)料中人名、地名、組織

classsklearn.naive_bayes.MultinominalNB（alpha=1.0,機(jī)構(gòu)名等命名實(shí)體。（）

fit_prior=True,class_prior=None）10.LTP的主要模型中SentenceSplitter是分句模型。（）

A.不去學(xué)習(xí)類(lèi)別先驗(yàn)概率

B.訓(xùn)練模型得分閱卷入二、填空題（共13題，每空1分，共20分）

C.追加訓(xùn)練模型

D.用模型進(jìn)行預(yù)測(cè)

14.基于詞典的情感分析方法的最大特點(diǎn)是（）。1.自然語(yǔ)言處理的發(fā)展歷程分別是：19世紀(jì)早期、

A.簡(jiǎn)單

B.方便2.目前的分詞方法主要有三種：基于規(guī)則的分詞方法、以

C.復(fù)雜及基于語(yǔ)義的分詞方法。

D.快速3.命名實(shí)體識(shí)別分為和基于統(tǒng)計(jì)的命名實(shí)體識(shí)

15.自然語(yǔ)言理解的簡(jiǎn)稱(chēng)是什么？（）。10.6別。

A.NLP4.的目的在于識(shí)別語(yǔ)料中人名、地名、組織機(jī)構(gòu)名等

B.ANN命名實(shí)體。

C.NLU5.根據(jù)句法結(jié)構(gòu)的表示形式不同，最常見(jiàn)的句法分析任務(wù)可

D.APL以分為以下三種：、依存句法分析以及深層文法句法分析。

6.LSTM的三重門(mén)分別是：、

得分閱卷人二、判斷題（對(duì)的打—'，錯(cuò)的打'X',共10和?

題，每題I分，共10分）7.GRU中有兩個(gè)門(mén)，決定前一狀態(tài)有多少信息寫(xiě)入到

當(dāng)前候選集上，決定前一時(shí)刻的狀態(tài)信息寫(xiě)入到當(dāng)前狀態(tài)中的程度。

1.句法分析的主要任務(wù)是：識(shí)別出句子所包含的句法成分，以及這8.在Python中，匹配下面生成詞典的正確函數(shù)是：

些成分之間的關(guān)系。（）diet=corpora.（［words］）

2..jieba分詞工具提供了詞性標(biāo)注功能。jieba分詞是結(jié)合規(guī)則和統(tǒng)9.從實(shí)現(xiàn)上考慮自動(dòng)文摘所采用的方法可以分為

計(jì)的方式，也就是說(shuō)同時(shí)使用詞典匹配和HMM。和O

（）10.影響聚類(lèi)算法結(jié)果的主要因素有、

3.Stanfordparser的底層是由python實(shí)現(xiàn)的。（）

4.re.match嘗試從字符串的起始位置匹配一個(gè)模式，如果起始位置11.基于詞典的情感分析方法的分類(lèi)效果取決于。

匹配不成功的話，就返回noneo（）12.基于詞典的情感分析方法的最大特點(diǎn)是o

5.re.match嘗試從字符串的起始位置匹配一個(gè)模式，如果起始位置匹13.聊天機(jī)器人按照功能需求來(lái)劃分，可以分為兩種，分別為

配不成功的話，就返回none。（）和?

6.自然語(yǔ)言處理（NaturalLanguageProcessing,NLP）是計(jì)算機(jī)科

學(xué)領(lǐng)域以及大數(shù)據(jù)領(lǐng)域的一個(gè)重要的研究方向。（）得分閱卷人四、綜合應(yīng)用題一（5分）

7.基于語(yǔ)義的分詞方法通常包括三個(gè)部分：分詞子系統(tǒng)、句法語(yǔ)義子

系統(tǒng)、總控部分。（）

請(qǐng)采用了今日頭條公開(kāi)的分類(lèi)數(shù)據(jù)作為訓(xùn)練語(yǔ)料庫(kù)，進(jìn)行Word2vec子向左微傾，顯出努力的樣子。這時(shí)我看見(jiàn)他的背影，我的淚很快地

訓(xùn)練。流下來(lái)了。

我趕緊拭干了淚，怕他看見(jiàn)，也怕別人看見(jiàn)。我再向外看時(shí)，他

己抱了朱紅的橘子望回走了。過(guò)鐵道時(shí)，他先將橘子散放在地上，自

得分閱卷入五、綜合應(yīng)用題二（15分）己慢慢爬下，再抱起橘子走。到這邊時(shí)，我趕緊去攙他。他和我走到

車(chē)上，將橘子一股腦兒放在我的皮大衣上。于是撲撲衣上的泥土，心

.將以下內(nèi)容保存為txt文檔，并使用TextRank算法里很輕松似的，過(guò)一會(huì)說(shuō)，“我走了;到那邊來(lái)信!”我望著他走出去。他

對(duì)以下內(nèi)容進(jìn)行文本摘要。走了幾步，回過(guò)頭看見(jiàn)我，說(shuō)，“進(jìn)去吧，里邊沒(méi)人?！钡人谋秤盎?/p>

我與父親不相見(jiàn)已二年余了，我最不能忘記的是他的背影。那年入來(lái)來(lái)往往的人里，再找不著了，我便進(jìn)來(lái)坐下，我的眼淚又來(lái)了。

冬天，祖母死了，父親的差使也交卸了，正是禍不單行的日子，我從近幾年來(lái)，父親和我都是東奔西走，家中光景是一日不如一日。

北京到徐州，打算跟著父親奔喪回家。到徐州見(jiàn)著父親，看見(jiàn)滿院狼他少年出外謀生，獨(dú)力支持，做了許多大事。那知老境卻如此頹唐!他

藉的東西，又想起祖母，不禁簌簌地流下眼淚。父親說(shuō)，“事己如此，觸目傷懷，自然情不能自己。情郁于中，自然要發(fā)之于外;家庭瑣屑便

不必難過(guò)，好在天無(wú)絕人之路!”往往觸他之怒。他待我漸漸不同往日。但最近兩年的不見(jiàn)，他終于忘

回家變賣(mài)典質(zhì)，父親還了虧空;又借錢(qián)辦了喪事。這些日子，家中卻我的不好，只是惦記著我，惦記著我的兒子。我北來(lái)后，他寫(xiě)了一

光景很是慘淡，一半為了喪事，一半為了父親賦閑。喪事完畢，父親信給我，信中說(shuō)道，“我身體平安，惟膀子疼痛利害，舉箸提筆，諸多

要到南京謀事，我也要回北京念書(shū)，我們便同行。不便，大約大去之期不遠(yuǎn)矣。”我讀到此處，在晶瑩的淚光中，又看見(jiàn)

到南京時(shí)，有朋友約去游逛，勾留了一日;第二日上午便須渡江到那肥胖的，青布棉袍，黑布馬褂的背影。唉!我不知何時(shí)再能與他相見(jiàn)!

浦口，下午上車(chē)北去。父親因?yàn)槭旅?，本已說(shuō)定不送我，叫旅館里一

個(gè)熟識(shí)的茶房陪我同去。他再三囑咐茶房，甚是仔細(xì)。但他終于不放

心，怕茶房不妥帖;頗躊躇了一會(huì)。其實(shí)我那年已二十歲，北京已來(lái)往得分閱卷人六、綜合應(yīng)用題三（20分）

過(guò)兩三次，是沒(méi)有甚么要緊的了。他躊躇了一會(huì)，終于決定還是自己

送我去。我兩三回勸他不必去;他只說(shuō)，“不要緊，他們?nèi)ゲ缓?”

我們過(guò)了江，進(jìn)了車(chē)站。我買(mǎi)票，他忙著照看行李。行李太多了，編寫(xiě)Python代碼實(shí)現(xiàn)垃圾郵件分類(lèi)。

得向腳夫行些小費(fèi)，才可過(guò)去。他便又忙著和他們講價(jià)錢(qián)。我那時(shí)真

是聰明過(guò)分，總覺(jué)他說(shuō)話不大漂亮，非自己插嘴不可。但他終于講定

了價(jià)錢(qián);就送我上車(chē)。他給我揀定了靠車(chē)門(mén)的一張椅子；我將他給我做

的紫毛大衣鋪好坐位。他囑我路上小心，夜里警醒些，不要受涼。又

囑托茶房好好照應(yīng)我。我心里暗笑他的迂;他們只認(rèn)得錢(qián)，托他們直是

白托!而且我這樣大年紀(jì)的人，難道還不能料理自己么?唉,我現(xiàn)在想想,

那時(shí)真是太聰明了！

我說(shuō)道，“爸爸，你走吧?！彼?chē)外看了看，說(shuō)，“我買(mǎi)幾個(gè)橘子

去。你就在此地，不要走動(dòng)。"我看那邊月臺(tái)的柵欄外有幾個(gè)賣(mài)東西的

等著顧客。走到那邊月臺(tái)，須穿過(guò)鐵道，須跳下去又爬上去。父親是

一個(gè)胖子，走過(guò)去自然要費(fèi)事些。我本來(lái)要去的，他不肯，只好讓他

去。我看見(jiàn)他戴著黑布小帽，穿著黑布大馬褂，深青布棉袍，蹣跚地

走到鐵道邊，慢慢探身下去，尚不大難?？墒撬┻^(guò)鐵道，要爬上那

邊月臺(tái)，就不容易了。他用兩手攀著上面，兩腳再向上縮;他肥胖的身

《Python文本與語(yǔ)音應(yīng)用設(shè)計(jì)》期末考試試題9.

10.

B卷答題紙

得分閱卷人三、填空題（共13題，每空1分，共20分）

適用班級(jí)：人工智能2001/2002專(zhuān)業(yè)：人工智能技術(shù)服務(wù)

1.

得分閱卷人一、選擇題（單項(xiàng)選擇共15題，每題2分，共302.

分）3.

4.

1.5.

2.6.

3.7.

4.8.

5.9.

6.10.

7.11.

8.12.

9.