自然語言處理與人工智能知到課后答案智慧樹章節(jié)測試答案2025年春中山大學(xué)

自然語言處理與人工智能知到課后答案智慧樹章節(jié)測試答案2025年春中山大學(xué)第一章單元測試

自然語言處理（NLP）的主要目標(biāo)是使計(jì)算機(jī)能夠：（）

A:識別和生成人類語言B:播放音樂C:執(zhí)行基本的算術(shù)運(yùn)算D:進(jìn)行圖像識別

答案:識別和生成人類語言以下哪個(gè)事件標(biāo)志著人工智能領(lǐng)域的正式誕生？（）

A:1997年，IBM的深藍(lán)戰(zhàn)勝國際象棋冠軍B:1956年，Dartmouth會議提出"人工智能"一詞C:1950年，AlanTuring發(fā)表《計(jì)算機(jī)器與智能》D:1943年，WarrenMcCulloch和WalterPitts提出人工神經(jīng)元模型

答案:1956年，Dartmouth會議提出"人工智能"一詞大規(guī)模預(yù)訓(xùn)練語言模型的核心思想是：（）

A:使用大量標(biāo)注數(shù)據(jù)訓(xùn)練特定的NLP任務(wù)B:只使用特定任務(wù)的數(shù)據(jù)進(jìn)行模型訓(xùn)練C:訓(xùn)練一個(gè)通用的語言表示模型，然后微調(diào)用于特定任務(wù)D:依賴于專家系統(tǒng)提供的知識庫

答案:訓(xùn)練一個(gè)通用的語言表示模型，然后微調(diào)用于特定任務(wù)BERT模型在預(yù)訓(xùn)練階段采用了哪種架構(gòu)？（）

A:卷積神經(jīng)網(wǎng)絡(luò)（CNN）B:多層感知機(jī)（MLP）C:僅有編碼器的Transformer架構(gòu)D:循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）

答案:僅有編碼器的Transformer架構(gòu)在“預(yù)訓(xùn)練-微調(diào)”范式中，微調(diào)階段的目的是什么？（）

A:僅使用小規(guī)模文本數(shù)據(jù)進(jìn)行訓(xùn)練B:在下游任務(wù)和通用指令上進(jìn)行進(jìn)一步微調(diào)C:聚焦于某一個(gè)任務(wù)D:學(xué)習(xí)固定的詞表示

答案:在下游任務(wù)和通用指令上進(jìn)行進(jìn)一步微調(diào)

第二章單元測試

在自然語言處理中，一個(gè)2-gram模型能夠捕捉：（）

A:三個(gè)詞同時(shí)出現(xiàn)的概率B:整個(gè)句子的語法結(jié)構(gòu)C:任意兩個(gè)詞同時(shí)出現(xiàn)的概率D:單個(gè)詞的出現(xiàn)概率

答案:任意兩個(gè)詞同時(shí)出現(xiàn)的概率關(guān)于ReLU激活函數(shù)，以下哪項(xiàng)是正確的？（）

A:ReLU函數(shù)可以解決梯度消失問題B:ReLU函數(shù)的輸出范圍是[-∞,∞)C:ReLU函數(shù)在輸入為負(fù)時(shí)會產(chǎn)生梯度爆炸D:ReLU函數(shù)對于所有輸入值都有非零導(dǎo)數(shù)

答案:ReLU函數(shù)可以解決梯度消失問題Transformer模型與傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡(luò)模型的主要區(qū)別是什么？（）

A:Transformer模型依賴于固定的窗口大小來捕捉上下文B:Transformer模型使用卷積層處理序列數(shù)據(jù)C:Transformer模型使用LSTM單元來增強(qiáng)記憶能力D:Transformer模型完全基于注意力機(jī)制，而沒有循環(huán)或遞歸結(jié)構(gòu)

答案:Transformer模型完全基于注意力機(jī)制，而沒有循環(huán)或遞歸結(jié)構(gòu)n-gram模型的基本思想是什么？（）

A:只關(guān)注詞之間的順序，不考慮詞出現(xiàn)的頻率B:將文本分割成長度為n的詞序列，并計(jì)算這些序列的概率C:通過統(tǒng)計(jì)詞的出現(xiàn)次數(shù)來預(yù)測文本的主題D:僅考慮單個(gè)詞出現(xiàn)的概率，忽略詞序

答案:將文本分割成長度為n的詞序列，并計(jì)算這些序列的概率n-gram模型在處理長文本時(shí)遇到的主要問題是什么？（）

A:無法處理未在語料庫中出現(xiàn)過的句子B:特征向量維度過大，導(dǎo)致數(shù)據(jù)稀疏問題C:計(jì)算速度慢D:特征維度不夠大

答案:特征向量維度過大，導(dǎo)致數(shù)據(jù)稀疏問題

第三章單元測試

在NER任務(wù)中，使用預(yù)訓(xùn)練語言模型（如BERT、GPT）來提高性能的一個(gè)原因是：（）

A:NER任務(wù)不需要考慮上下文信息B:預(yù)訓(xùn)練模型會增加模型訓(xùn)練的難度C:預(yù)訓(xùn)練模型在特定領(lǐng)域的表現(xiàn)不佳D:預(yù)訓(xùn)練模型可以捕捉更豐富的語言特征

答案:預(yù)訓(xùn)練模型可以捕捉更豐富的語言特征評估NER模型性能時(shí)，以下哪個(gè)指標(biāo)不適合用于評估模型的平衡性？（）

A:F1分?jǐn)?shù)B:準(zhǔn)確率C:精確度D:召回率

答案:精確度在關(guān)系抽取中，利用依存句法分析可以：（）

A:進(jìn)行文本摘要B:提高文本聚類的效果C:確定實(shí)體間的關(guān)系類型D:實(shí)現(xiàn)實(shí)體消岐

答案:確定實(shí)體間的關(guān)系類型在數(shù)據(jù)采集過程中，網(wǎng)絡(luò)爬蟲的主要功能是什么？（）

A:手動收集數(shù)據(jù)B:過濾無用數(shù)據(jù)C:自動生成數(shù)據(jù)D:自動瀏覽互聯(lián)網(wǎng)并提取網(wǎng)頁內(nèi)容

答案:自動瀏覽互聯(lián)網(wǎng)并提取網(wǎng)頁內(nèi)容留出法的主要目的是什么？（）

A:提高模型的訓(xùn)練速度B:減少數(shù)據(jù)的復(fù)雜性C:評估模型在未見過的數(shù)據(jù)上的性能D:增加數(shù)據(jù)集的規(guī)模

答案:評估模型在未見過的數(shù)據(jù)上的性能

第四章單元測試

在文本分類中，詞袋模型（BagofWords）的主要缺點(diǎn)是：（）

A:所有上述選項(xiàng)B:無法表示詞序C:無法區(qū)分同義詞D:無法處理拼寫錯(cuò)誤

答案:所有上述選項(xiàng)以下哪個(gè)深度學(xué)習(xí)模型不適合用于句子級別情感分析？（）

A:LSTMB:K-means聚類C:CNND:RNN

答案:K-means聚類情感分析在社交媒體監(jiān)控中的應(yīng)用不包括：（）

A:監(jiān)測品牌聲譽(yù)B:識別公眾情緒傾向C:分析客戶反饋D:實(shí)現(xiàn)自動翻譯

答案:實(shí)現(xiàn)自動翻譯文本分類中，互信息用于度量什么？（）

A:文本的類別B:文本表示的方法C:文本的預(yù)處理質(zhì)量D:兩個(gè)變量之間的共享信息量

答案:兩個(gè)變量之間的共享信息量樸素貝葉斯分類器在文本分類中的主要思想是什么？（）

A:計(jì)算文本的互信息，并將其作為分類的依據(jù)B:通過信息增益來選擇特征，并對文本進(jìn)行分類C:計(jì)算文本屬于每個(gè)類別的概率，并選取概率最大的一項(xiàng)作為文本的類別預(yù)測D:利用深度學(xué)習(xí)模型來預(yù)測文本的類別

答案:計(jì)算文本屬于每個(gè)類別的概率，并選取概率最大的一項(xiàng)作為文本的類別預(yù)測

第五章單元測試

在設(shè)計(jì)問答模板時(shí)，以下哪項(xiàng)不是應(yīng)遵循的原則？（）

A:保證模板的通用性B:確保模板的簡潔性C:使模板過于復(fù)雜以適應(yīng)所有可能的問題D:考慮模板的可擴(kuò)展性

答案:使模板過于復(fù)雜以適應(yīng)所有可能的問題基于模板的問答系統(tǒng)中模板匹配的工作原理不包括以下哪項(xiàng)？（）

A:從匹配的模板中提取答案B:識別用戶查詢中的關(guān)鍵詞C:將用戶查詢與預(yù)定義模板進(jìn)行對比D:忽略用戶查詢的語法結(jié)構(gòu)

答案:忽略用戶查詢的語法結(jié)構(gòu)在問答系統(tǒng)中，提高系統(tǒng)性能的一種方法是：（）

A:增加數(shù)據(jù)庫的查詢次數(shù)B:使用緩存存儲頻繁查詢的結(jié)果C:減少索引的使用D:忽略用戶查詢的上下文信息

答案:使用緩存存儲頻繁查詢的結(jié)果基于模板的問答系統(tǒng)通常使用什么方法來生成回答？（）

A:通過復(fù)雜的邏輯推理過程B:通過匹配預(yù)設(shè)的模板和關(guān)鍵詞C:通過理解問題的意圖和上下文D:通過從大量數(shù)據(jù)中提取信息

答案:通過匹配預(yù)設(shè)的模板和關(guān)鍵詞VQAv2數(shù)據(jù)集相比于VQAv1數(shù)據(jù)集的改進(jìn)之處不包括以下哪項(xiàng)？（）

A:為每個(gè)問題補(bǔ)充了圖片B:減少了語言偏見C:增加了問題的數(shù)量D:減少了備選答案的數(shù)量

答案:減少了備選答案的數(shù)量

第六章單元測試

生成式人工智能在以下哪個(gè)領(lǐng)域中的應(yīng)用不涉及創(chuàng)造新的實(shí)例？（）

A:藝術(shù)創(chuàng)作B:音樂創(chuàng)作C:數(shù)據(jù)增強(qiáng)D:文本生成

答案:數(shù)據(jù)增強(qiáng)生成式人工智能在創(chuàng)新應(yīng)用中可能遇到的倫理問題不包括：（）

A:促進(jìn)技術(shù)平等B:知識產(chǎn)權(quán)侵犯C:深度偽造技術(shù)濫用D:隱私權(quán)侵犯

答案:促進(jìn)技術(shù)平等CLIP和BLIP-2在多模態(tài)學(xué)習(xí)中的主要差異不包括：（）

A:圖像特征提取方法B:模型訓(xùn)練所用的數(shù)據(jù)集C:模型能夠理解的顏色數(shù)量D:文本編碼器的架構(gòu)

答案:模型能夠理解的顏色數(shù)量生成式人工智能AIGC的目標(biāo)是什么？（）

A:僅在特定領(lǐng)域內(nèi)生成內(nèi)容B:替代人類的所有創(chuàng)造性工作C:自動執(zhí)行復(fù)雜的數(shù)學(xué)計(jì)算D:使內(nèi)容創(chuàng)建過程更高效和可訪問

答案:使內(nèi)容創(chuàng)建過程更高效和可訪問在深度生成模型中，以下哪個(gè)不是常見的模型？（）

A:生成對抗網(wǎng)絡(luò)（GAN）B:變分自編碼器（VAE）C:自回歸模型D:循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）

答案:循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）

第七章單元測試

推薦系統(tǒng)不應(yīng)用于以下哪個(gè)領(lǐng)域？（）

A:天氣預(yù)報(bào)B:健康咨詢C:電子商務(wù)D:音樂推薦

答案:天氣預(yù)報(bào)在關(guān)聯(lián)規(guī)則中，置信度（confidence）是指：（）

A:規(guī)則的前項(xiàng)和后項(xiàng)同時(shí)出現(xiàn)的頻率與前項(xiàng)出現(xiàn)頻率的比值B:如果規(guī)則的前項(xiàng)出現(xiàn)，后項(xiàng)也出現(xiàn)的條件下概率C:規(guī)則的后項(xiàng)相對于前項(xiàng)的重要性D:規(guī)則出現(xiàn)的頻率

答案:如果規(guī)則的前項(xiàng)出現(xiàn)，后項(xiàng)也出現(xiàn)的條件下概率協(xié)同過濾推薦系統(tǒng)中不包括以下哪種方法？（）

A:用戶基協(xié)同過濾B:基于內(nèi)容的協(xié)同過濾C:物品基協(xié)同過濾D:基