自然語言處理知到課后答案智慧樹章節(jié)測試答案2025年春浙江大學(xué)

自然語言處理知到課后答案智慧樹章節(jié)測試答案2025年春浙江大學(xué)第一章單元測試

下列關(guān)于圖靈的介紹正確的是（）。

A:圖靈是生物學(xué)家B:圖靈是一位英國科學(xué)家C:圖靈生于日本D:圖靈是理論計算機科學(xué)之父

答案:圖靈是一位英國科學(xué)家###圖靈是理論計算機科學(xué)之父自然語言的特點包括（）。

A:必須以視頻形式表達B:語言多樣性C:粒度差異D:必須以語音形式表達

答案:語言多樣性###粒度差異自然語言處理目標就是實現(xiàn)人機之間的有效通信（）。

A:對B:錯

答案:對圖靈是人工智能之父（）。

A:對B:錯

答案:對語用歧義是指由于（）。

A:上下文B:語言多樣性C:必須以視頻形式表達D:必須以語音形式表達

答案:上下文###語言多樣性

第二章單元測試

下列哪項不屬于n-gram的劣勢（）。

A:限制的上下文理解B:數(shù)據(jù)稀疏問題C:計算效率較低D:無法捕捉長距離依賴

答案:計算效率較低下列哪項屬于循環(huán)神經(jīng)網(wǎng)絡(luò)（）。

A:GRUB:LSTMC:BertD:GPT

答案:GRU###LSTMTF-IDF的全稱是（）。

A:詞頻-信息文檔概率（TermFrequency-InformationDocumentFrequency）B:文本頻率-信息文檔概率（TextFrequency-InformationDocumentFrequency）C:詞頻-逆文檔概率（TermFrequency-InverseDocumentFrequency）D:文本頻率-逆文檔概率（TextFrequency-InverseDocumentFrequency）

答案:詞頻-逆文檔概率（TermFrequency-InverseDocumentFrequency）SHAP不是用于機器學(xué)習(xí)模型的預(yù)測結(jié)果的可解釋性的方法。（）

A:錯B:對

答案:錯對于機器翻譯任務(wù)，我們通常會使用哪個指標來評價模型的性能？（）。

A:F1-scoreB:BLEUC:困惑度（Perplexity）D:ROUGE

答案:BLEU對于自動生成的文本摘要，如果一個句子的ROUGE分數(shù)很高，那么可以確定該句子是一個良好的摘要句嗎？（）

A:錯B:對

答案:錯

第三章單元測試

常見RNN架構(gòu)存在包括（）。

A:多輸入多輸出RNNB:雙向RNNC:多輸入單輸出RNND:單輸入多輸出RNN

答案:多輸入多輸出RNN###雙向RNN###多輸入單輸出RNN###單輸入多輸出RNN與LSTM相比，普通RNN的弱點在于（）。

A:過擬合B:需要使用GPU計算能力C:訓(xùn)練速度慢D:無法處理長序列依賴關(guān)系

答案:無法處理長序列依賴關(guān)系（）是RNN機器翻譯中常用的組件。（）

A:匯碼器（Lecoder）B:解碼器（Decoder）C:編碼器（Encoder）D:詞碼器（Dicoder）

答案:解碼器（Decoder）###編碼器（Encoder）對于機器翻譯來說，在翻譯句子時，待翻譯句子的每一個詞都必須是同等重要的。（）

A:對B:錯

答案:錯（）注意力評分函數(shù)需要使用tanh。

A:多層感知器B:點積C:縮放點積D:雙線性

答案:多層感知器

第四章單元測試

下列哪個選項正確描述了Self-Attention機制的作用？（）。

A:依賴固定長度的窗口來捕獲序列中的依賴關(guān)系B:能夠在序列內(nèi)的任意兩個位置之間計算注意力權(quán)重C:專注于提取序列的靜態(tài)特征，忽略動態(tài)上下文D:僅在序列的局部區(qū)域內(nèi)計算注意力權(quán)重

答案:能夠在序列內(nèi)的任意兩個位置之間計算注意力權(quán)重在Transformer模型中，Multi-headAttention機制的主要目的是什么？（）。

A:增加模型處理長序列的能力B:減少模型的訓(xùn)練時間C:允許模型同時從不同的表示子空間獲取信息D:替代傳統(tǒng)的RNN和LSTM結(jié)構(gòu)

答案:允許模型同時從不同的表示子空間獲取信息關(guān)于預(yù)訓(xùn)練模型和微調(diào)（Fine-tuning）的描述，以下哪些是正確的（）。

A:微調(diào)可以幫助模型更好地理解特定領(lǐng)域的語言特征B:微調(diào)是在特定下游任務(wù)上調(diào)整預(yù)訓(xùn)練模型的過程C:所有預(yù)訓(xùn)練模型在微調(diào)之前都不能用于下游任務(wù)D:預(yù)訓(xùn)練模型無需微調(diào)即可直接用于任何NLP任務(wù)

答案:微調(diào)可以幫助模型更好地理解特定領(lǐng)域的語言特征###微調(diào)是在特定下游任務(wù)上調(diào)整預(yù)訓(xùn)練模型的過程關(guān)于Transformer模型和其應(yīng)用的描述，以下哪些是正確的？（）

A:在進行中文到英文的翻譯任務(wù)時，Transformer模型需配備額外的語言規(guī)則B:Transformer模型僅適用于文本分類任務(wù)C:Transformer模型可以應(yīng)用于包括文本生成、問答系統(tǒng)和序列標注在內(nèi)的多種NLP任務(wù)D:Transformer通過使用Self-Attention機制克服了RNN的長距離依賴問題

答案:Transformer模型可以應(yīng)用于包括文本生成、問答系統(tǒng)和序列標注在內(nèi)的多種NLP任務(wù)###Transformer通過使用Self-Attention機制克服了RNN的長距離依賴問題抽取式問答任務(wù)中，模型是通過生成問題中的答案，而不是從給定文本中直接抽取答案。（）

A:對B:錯

答案:錯

第五章單元測試

半馬爾可夫條件隨機場（Semi-MarkovConditionalRandomField,SCRF）是一種用于命名實體識別的模型，其主要特點是：（）。

A:考慮上下文中的整個句子。B:只考慮當前單詞的標簽。C:忽略句子中的標點符號。D:僅用于識別嵌套的命名實體。

答案:考慮上下文中的整個句子。直接在命名實體識別任務(wù)上使用Transformer模型往往表現(xiàn)不佳，其主要原因包括：（）。

A:無法捕捉輸入序列中的依賴關(guān)系。B:解碼器層不能生成命名實體的邊界標簽。C:平滑的注意力分布。D:位置編碼無法捕捉方向信息。

答案:平滑的注意力分布。###位置編碼無法捕捉方向信息。命名實體識別的評價方法之一是：（）。

A:F1值B:召回率（Recall）C:精確度（Precision）