《自然語言處理技術與應用》試卷及答案（共2套）

B.Segmentor

期末考試試題A卷（開卷）

C.n元模型

適用班級：人工智能2001/2002專業(yè)：人工智能技術服務D.Postagger

考試時長：120分鐘7.依存關系可以細分為不同的類型，表示兩個詞之間的具體句法關

系。依存句法分析標注關系，以下關系類型和它的標注不正確的是（）

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

分）B.動補結構（CMP）

C.介賓關系（POB）

1.自然語言處理中的句子級別的分析技術，可以大致分為（）、D.定中關系（ATD）

句法分析、語義分析三個層面。8.以下有關計算機視覺的步驟中，哪個不屬于傳統(tǒng)方法（）。

A.詞法分析A.圖像預處理

B.文法分析B.特征提取

C.分詞C.特征篩選

D.語言分析D.神經(jīng)卷積

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

A.Python提供了大量的自然語言處理庫A.CNN

B.編程語法較復雜B.RNN

C..編程語法相對簡單C.HMM

D.具有很多數(shù)學科學相關的庫D.transformer類型

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

A.英語分詞A.fromgensimimportcorpora

B.分詞技術B.importnumpyasnp

C.漢語分詞C.importgenismasge

D.語言分詞D.importgensim

4.目前，中文分詞的難點不包括（）11.下列哪種關于無監(jiān)督關鍵詞提取的說法是正確的（）。

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鍵詞提取中有監(jiān)督算法的

B.錯別字、諧音字規(guī)范化B.基于詞圖模型的關鍵詞抽取不用構建文檔的語言網(wǎng)絡圖

C.未登錄詞的識別C.基于文本統(tǒng)計特征方法是利用文檔中詞語的統(tǒng)計信息抽取文檔的關鍵詞

D.分詞問題D.基于主題模型認為，詞與文檔之間有直接的聯(lián)系

5.采用jieba精確模式對“南京市長江大橋”進行分詞，得到的結果12.關于TF-IDF算法說法不正確的是（）o

為：（）A.TF算法和IDF算法可以單獨使用

A.南京、市長江大橋B.IDF的大小與詞語的常見程度成正比

B.南京市/長江大橋C.TF算法權衡詞出現(xiàn)的頻率，不考慮詞語對文檔的區(qū)分能力

C.南京/南京市/京市/市長/長江/長江大橋/大橋D.TF-IDF算法，從詞頻、逆文檔頻率兩個角度對詞語的重要性進行衡量

D.南京/京市/南京市/長江/大橋/長江大橋13.下列關于說法不正確的是（）。

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

A.SentenceSplitterB.計算出每個特征的信息增益后，就可以移除那些信息量較低的特征

C.互信息是指根據(jù)特征與類別的關聯(lián)程度來計算特征與類別的相關度得分閱卷入三、填空題（共13題，每空1分，共20分）

D.當對梁樣本平均數(shù)進行比較時，可以采用卡方檢驗

14.基于機器學習的情感分析方法本質是一個分類問題，該方法使用的經(jīng)典分類

模型不包括（）。1.自然語言處理的三個層面有：和、語義分

A.支持向量機析。

B.樸素貝葉斯2.根據(jù)句法結構的表示形式不同，最常見的句法分析任務可

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.自然語言理解的簡稱是什么？（）。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進行安裝，在命令行輸

D.APL入。

5.句法分析的數(shù)據(jù)集是樹形標注結構，稱為。

得分閱卷人二、判斷題（對的打'，'，錯的打'X',共106.的結構沒有非終結點，詞與詞之間直接發(fā)生依存

題，每題1分，共10分）關系。

7.卷積神經(jīng)網(wǎng)絡結構包括：、

1.句法分析的主要任務是：識別出句子所包含的句法成分，以及這和O

些成分之間的關系。（）8.Word2vec主要包含兩個淺層的神經(jīng)網(wǎng)絡模型，分別是

2.使用jieba進行分詞，需要導入jieba工具包。（）和0

3.Stanfordparser的底層是由python實現(xiàn)的。（）9.在使用TF-IDF算法提取關鍵詞時，為使候選詞標準化，TF值

4.re.match嘗試從字符串的起始位置匹配一個模式，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.自然語言處理有兩個核心任務，一個是自然語言理解，另外一個10.PageRank在計算句子給它鏈接句的貢獻時，是通過計算

是自然語言生成。（）來分配。

6.自然語言處理（NaturalLanguageProcessing,NLP）是計算機科11.特征工程一般包括、、三個部

學領域以及大數(shù)據(jù)領域的一個重要的研究方向。（）分。

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

庫和規(guī)則，然后使用匹配的方法進行分詞。（）

8.命名實體識別（NER）的目的在于識別語料中人名、地名、組織13.神經(jīng)網(wǎng)絡模型的復興使得深度學習在語音、圖像、文本處理得到

機構名等命名實體。（）了廣泛的應用，講深度學習應用在情感分析中，一般采用和結合的

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

前的模型都假設每個狀態(tài)均只與它前面的狀態(tài)有關。（）

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

計的方式，也就是說同時使用詞典匹配和HMM?（）

（1）將以下內容轉為txt文本：得分閱卷人六、綜合應用題三（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）對內容進行分詞，統(tǒng)計文本中的所有詞語，進行獨熱編碼，得到夾中的文件。

每個詞的one-hot向量表示.（2分）

（3）將句子進行文本向量化。（1分）

得分閱卷入五、綜合應用題二（15分）

使用TF-IDF算法完成對以下內容實現(xiàn)關鍵詞的提

?。?/p>

展望2035年，我國將基本實現(xiàn)社會主義現(xiàn)代化。經(jīng)濟實力、科技實

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

的大臺階，關鍵核心技術實現(xiàn)重大突破，進入創(chuàng)新型國家前列?；?/p>

實現(xiàn)新型工業(yè)化、信息化、城鎮(zhèn)化、農業(yè)現(xiàn)代化，建成現(xiàn)代化經(jīng)濟體

系?；緦崿F(xiàn)國家治理體系和治理能力現(xiàn)代化，人民平等參與、平等

發(fā)展權利得到充分保障，基本建成法治國家、法治政府、法治社會。

建成文化強國、教育強國、人才強國、體育強國、健康中國，國民素

質和社會文明程度達到新高度，國家文化軟實力顯著增強。廣泛形成

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

麗中國建設目標基本實現(xiàn)。形成對外開放新格局，參與國際經(jīng)濟合作

和競爭新優(yōu)勢明顯增強。人均國內生產(chǎn)總值達到中等發(fā)達國家水平，

中等收入群體顯著擴大，基本公共服務實現(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。平安中國建設達到更高水平，基本

實現(xiàn)國防和軍隊現(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質性進展。經(jīng)濟發(fā)展取得新成效。發(fā)展

是解決我國一切問題的基礎和關鍵，發(fā)展必須堅持新發(fā)展理念，在質

量效益明顯提升的基礎上實現(xiàn)經(jīng)濟持續(xù)健康發(fā)展，增長潛力充分發(fā)揮，

國內生產(chǎn)總值年均增長保持在合理區(qū)間、各年度視情提出，全員勞動

生產(chǎn)率增長高于國內生產(chǎn)總值增長，國內市場更加強大，經(jīng)濟結構更

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

力爭投入強度高于“十三五”時期實際，產(chǎn)業(yè)基礎高級化、產(chǎn)業(yè)鏈現(xiàn)

代化水平明顯提高，農業(yè)基礎更加穩(wěn)固，城鄉(xiāng)區(qū)域發(fā)展協(xié)調性明顯增

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

展。

《Python文本與語音應用設計》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：人工智能2001/2002專業(yè)：人工智能技術服務

1.

得分閱卷人一、選擇題（單項選擇共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.綜合應用題一（5分）

12.

13.

14.

15

綜合應用題二（15分）

得分閱卷人二、、判斷題（對的打'J,錯的打'X',共

10題，每題1分，共10分）

1

2綜合應用題三（20分）

3

4

5

6

7

8

8.對

期末考試試題9.對

10.錯

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：專業(yè)：人工智能技術服務

1詞.法分析、句法分析

一、選擇題（單項選擇共15題，每題2分，共302短.語結構句法分析

分）3.逆向最大匹配法

4.pipinstallpyltp

I.A5.句法分析樹或句法樹

2.B6依.存語法

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（語料庫中文檔總

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

7.D10.權重占總權重的比例

8.Dn.特征構建、特征提取、特征選擇

9.C12.基于詞典的方法、基于傳統(tǒng)機器學習的方法和基于深度學習的方法

10.A13.詞向量RNN

11.C

12.B

13.D

14.B

15.A

彳導分閱卷入二、、判斷題（對的打'，'，錯的打'X',共

——10題，每題1分，共10分）

L對

2.對

3.錯

4.對

5.對

6.對

7.對

略

6.詞性標注的正確與否會直接影響到之后的（）、語義分析，是中文

期末考試試題B卷（開卷）

自然語言處理的基礎之一。

適用班級：人工智能2001/2002專業(yè)：人工智能技術服務A.詞法分析

考試時長：120分鐘B.語言分析

C.句子分析

得分閱卷入一、選擇題（單項選擇共15題，每題2分，共30D.句法分析

分）7.關于Stanfordparser下面說法不正確的是：（）

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

1.自然語言處理的發(fā)展大致分為3個階段：（），20世紀70年F.Stanfordparser的Python封裝是在NLTK庫中實現(xiàn)的，因此，需

代和21世紀。要安裝NETK庫。

A.19世紀晚期G.NLTK是一款Python的自然語言處理工具，但主要針對中文。

B.19世紀中期H.Stanfordparser基于概率統(tǒng)計進行句法分析。

C.19世紀早期8.RNN的應用場景不包括（）。

D.20世紀50年代A.生成圖像描述

2.以下哪個不屬于文件對象的方法？（）B.語音識別

A.file.read（［size］）C.視頻標記

B.file.write（str）D.自動拍照

C.file.readlinef）9.當處理序列問題發(fā)現(xiàn)，當前時刻的輸出既與前面時刻輸入有關，又與未來時

D.file.close（）刻輸出有關，應選擇哪個模型更為合適（）

3.為了保證無論是否出錯都能正確地關閉文件，可以使用（）來實現(xiàn)。A.CNN

A.breakB.RNN

B.for循環(huán)語句C.雙向LSTM

C.try**finallyD.GMM

D.if...else10.關于one-hot編碼說法不正確的是（）。

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)計的A.one-hot編碼是一位有效編碼

分詞方法以及（）。B.每個狀態(tài)都有自己獨立的寄存器位

A.基于語法的分詞方法C.隨著語料庫詞語的增加，詞向量的維度高且稀疏

B.基于語種的分詞方法D.計算詞與詞之間的相似性

C.基于語言的分詞方法11.基于主題模型方法使用的算法是（）。

D.基于語義的分詞方法A.TF-IDF算法

5.采用jieba搜索引擎模式對“南京市長江大橋”進行分詞，得到的結果B.LDA算法

為（）C.TextRank算法

A.南京、市長江大橋D.KNN算法

B.南京市/長江大橋12.TF-IDF算法中使用哪個函數(shù)對數(shù)據(jù)集進行分詞，去停用詞（）。

C.南京/南京市/京市/市長/長江/長江大橋/大橋A.pos

D.南京/京市/南京市/長江/大橋/長江大橋B.corpus_path

C.preprocess8.條件隨機場（CRF）也是一種基于馬爾科夫思想的統(tǒng)計模型。之

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

13.根據(jù)代碼確定fit_prior:為True的含義（）。9.命名實體識別（NER）的目的在于識別語料中人名、地名、組織

classsklearn.naive_bayes.MultinominalNB（alpha=1.0,機構名等命名實體。（）

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

A.不去學習類別先驗概率

B.訓練模型得分閱卷入二、填空題（共13題，每空1分，共20分）

C.追加訓練模型

D.用模型進行預測

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

A.簡單

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.復雜及基于語義的分詞方法。

D.快速3.命名實體識別分為和基于統(tǒng)計的命名實體識

15.自然語言理解的簡稱是什么？（）。10.6別。

A.NLP4.的目的在于識別語料中人名、地名、組織機構名等

B.ANN命名實體。

C.NLU5.根據(jù)句法結構的表示形式不同，最常見的句法分析任務可

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的三重門分別是：、

得分閱卷人二、判斷題（對的打—'，錯的打'X',共10和?

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

當前候選集上，決定前一時刻的狀態(tài)信息寫入到當前狀態(tài)中的程度。

1.句法分析的主要任務是：識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：

些成分之間的關系。（）diet=corpora.（［words］）

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

計的方式，也就是說同時使用詞典匹配和HMM。和O

（）10.影響聚類算法結果的主要因素有、

3.Stanfordparser的底層是由python實現(xiàn)的。（）

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

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是o

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

配不成功的話，就返回none。（）和?

6.自然語言處理（NaturalLanguageProcessing,NLP）是計算機科

學領域以及大數(shù)據(jù)領域的一個重要的研究方向。（）得分閱卷人四、綜合應用題一（5分）

7.基于語義的分詞方法通常包括三個部分：分詞子系統(tǒng)、句法語義子

系統(tǒng)、總控部分。（）

請采用了今日頭條公開的分類數(shù)據(jù)作為訓練語料庫，進行Word2vec子向左微傾，顯出努力的樣子。這時我看見他的背影，我的淚很快地

訓練。流下來了。

我趕緊拭干了淚，怕他看見，也怕別人看見。我再向外看時，他

己抱了朱紅的橘子望回走了。過鐵道時，他先將橘子散放在地上，自

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

車上，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

.將以下內容保存為txt文檔，并使用TextRank算法里很輕松似的，過一會說，“我走了;到那邊來信!”我望著他走出去。他

對以下內容進行文本摘要。走了幾步，回過頭看見我，說，“進去吧，里邊沒人?！钡人谋秤盎?/p>

我與父親不相見已二年余了，我最不能忘記的是他的背影。那年入來來往往的人里，再找不著了，我便進來坐下，我的眼淚又來了。

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，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。到徐州見著父親，看見滿院狼他少年出外謀生，獨力支持，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，“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，好在天無絕人之路!”往往觸他之怒。他待我漸漸不同往日。但最近兩年的不見，他終于忘

回家變賣典質，父親還了虧空;又借錢辦了喪事。這些日子，家中卻我的不好，只是惦記著我，惦記著我的兒子。我北來后，他寫了一

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，我們便同行。不便，大約大去之期不遠矣。”我讀到此處，在晶瑩的淚光中，又看見

到南京時，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!我不知何時再能與他相見!

浦口，下午上車北去。父親因為事忙，本已說定不送我，叫旅館里一

個熟識的茶房陪我同去。他再三囑咐茶房，甚是仔細。但他終于不放

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

過兩三次，是沒有甚么要緊的了。他躊躇了一會，終于決定還是自己

送我去。我兩三回勸他不必去;他只說，“不要緊，他們去不好!”

我們過了江，進了車站。我買票，他忙著照看行李。行李太多了，編寫Python代碼實現(xiàn)垃圾郵件分類。

得向腳夫行些小費，才可過去。他便又忙著和他們講價錢。我那時真

是聰明過分，總覺他說話不大漂亮，非自己插嘴不可。但他終于講定

了價錢;就送我上車。他給我揀定了靠車門的一張椅子；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

囑托茶房好好照應我。我心里暗笑他的迂;他們只認得錢，托他們直是

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

那時真是太聰明了！

我說道，“爸爸，你走吧?！彼囃饪戳丝矗f，“我買幾個橘子

去。你就在此地，不要走動。"我看那邊月臺的柵欄外有幾個賣東西的

等著顧客。走到那邊月臺，須穿過鐵道，須跳下去又爬上去。父親是

一個胖子，走過去自然要費事些。我本來要去的，他不肯，只好讓他

去。我看見他戴著黑布小帽，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┻^鐵道，要爬上那

邊月臺，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文本與語音應用設計》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：人工智能2001/2002專業(yè)：人工智能技術服務

1.

得分閱卷人一、選擇題（單項選擇共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.