NLP：相关资料 / 25年

迁移来源

• 旧站标题：25年
• 新站标题：NLP：相关资料 / 25年
• 旧站路径：/ai-kb/课程/nlp/resources/25年/
• 旧页面 ID：264

25年期末 #

任课老师: 姜pl

题目 #

简答题 ($4 \times 7 = 28$) #

• 基于语言模型的分词和最大匹配分词的定义和区别。
• 与端到端模型相比，pipeline 的人机对话系统分为哪几个子任务？可以用什么模型实现？
• 上下文有关文法和上下文无关文法的定义和区别。中文是上下文无关文法吗？
• One-hot 高维编码的优点和缺点。
• 基于短语和基于词语的机器翻译的定义和区别。
• 基于预训练—微调范式的模型与基于机器学习的传统范式相比有什么优势？
• 用自己的话叙述格语法，并分析句子的施事格、受事格、工具格。

题目 #

语言模型（12） #

• 语言模型是什么？有什么常见的语言模型？
• 简单计算 unigram, bigram。

题目 #

统计文本分类（12） #

请简要叙述统计意义下的文本分类流程，以朴素贝叶斯为例，并编写伪代码。

题目 #

HMM 简单计算（12） #

用栅格法计算在给定观测序列下的最大可能概率状态（PPT 问题 2）。

给定观测序列 $312$，求最有可能的天气序列，使用栅格法（Viterbi 算法）。

题目 #

依存句法分析（arc-eager）（12） #

和上面这个例子相类似，对句子：

曲江 / 建立 / 了 / 新 / 的 / 实验室

进行依存句法分析，并画出该句的依存树。

题目 #

MED（最小编辑距离）（12） #

• 什么是最小编辑距离？包括哪些操作？
• 利用栅格法计算 intention 和 execution 的最小编辑距离。

题目 #

PCFG（12） #

画出最优概率句法树，并给出对应概率：

Astronomers saw stars with ears

给定概率上下文无关文法（PCFG）如下：

$$\begin{aligned} S &\to NP\ VP \quad 1.0 \\ PP &\to P\ NP \quad 1.0 \\ VP &\to V\ NP \quad 0.7 \\ VP &\to VP\ PP \quad 0.3 \\ V &\to saw \quad 1.0 \\ P &\to with \quad 1.0 \\ NP &\to NP\ PP \quad 0.4 \\ NP &\to astronomers \quad 0.1 \\ NP &\to saw \quad 0.04 \\ NP &\to stars \quad 0.18 \\ NP &\to ears \quad 0.18 \\ NP &\to with \quad 0.1 \end{aligned}$$