第07章-自然语言处理与知识表示-895题

更新时间：试题数量：购买人数：提供作者：

有效期：个月

章节介绍：共有个章节

收藏

我的练习

我的错题
(0道)

我的收藏
(0道)

我的斩题
(0道)

我的笔记
(0道)

专项练习

顺序练习 练习进度 0 / 0

随机练习 自定义设置练习量

模拟考试 仿真模拟

题型练习 按题型分类练习

易错题 精选高频易错题

学习资料 考试学习相关信息

搜索

题库预览

( )是机器翻译实践中使用最广泛的模型架构。

BERT的预训练任务MLM(掩码语言模型)要求模型预测被随机替换的全部单词。（难度：★★★）

BERT模型的双向注意力机制使其在预训练时能同时利用上下文信息，而传统语言模型仅能单向预测。（难度：★★）

Embedding在自然语言处理中的作用是？（难度：★★）

ViLBERT模型通过同时对文本和图像区域进行90%率的遮盖，实现了跨模态的联合表示学习，（难度：★★★）

Word2Vec的Skip-gram模型通过目标词预测上下文词，而CBOW模型通过上下文词预测目标词。（难度：★★）

按照不同的输入划分，文本自动生成可包括()（难度：★★）

编码器(Encoder)拍市用于理解和引析类脸务，如文本引类、情感引析、命名实定识别来;解码器(Decoder)主要用于生成脸务，如文本生成、机器翻译、语音合成来。()（难度：★★）

词向量模型(如Word2Vec)能够自然处理一词多义现象而不需要额外改进,（难度：★★）

大规模语言模型(如BERT)的训练只依赖于单任务的学习，没有任何多任务学习的策略。（难度：★★）

对中文语料样本来说，为了便于模型理解，第一步是将句子拆分为词元，词元又称为（）。

机器翻译任务中，Beam Search算法通过贪婪策略每次仅保留当前最优的候选序列。

机器翻译属于（）领域的应用。

基于深度学习的文本分类模型TextCNN在处理长文本时始终优于LSTM模型（难度：★★）

命名实体识别是典型的生成式任务，需要模型逐字生成实体类别标签。（难度：★★）

情感标注只能将文本分为积极和消极两类，(难度:★)

人工智能应用领域至少包括图像、语音、自然语言处理。（难度：★）

文本模型的进一步发展方向是加强对词与词之间关联信息的凝练，因此需要更大的“感受野”和更强的学习能力。（）

无监督学习中的词向量技术(如GloVe)通过矩阵分解显式建模词共现统计量(难度:★★)

下列哪个不属于常用的文本分类的特征选择算法?

更多题库