NLP 面试题_早停指令

---

本文转载整理自：https://github.com/km1994/NLP-Interview-Notes
你可以加入知识星球来获取答案：https://articles.zsxq.com/id_0uqcsdxwhg8c.html

---

关于TF-idf

• 一、one-hot 篇
  • 1.1 为什么有 one-hot ？
  • 1.2 one-hot 是什么?
  • 1.3 one-hot 有什么特点?
  • 1.4 one-hot 存在哪些问题?
• 二、TF-IDF 篇
  • 2.1 什么是 TF-IDF？
  • 2.2 TF-IDF 如何评估词的重要程度？
  • 2.3 TF-IDF 的思想是什么？
  • 2.4 TF-IDF 的计算公式是什么？
  • 2.5 TF-IDF 怎么描述？
  • 2.6 TF-IDF 的优点是什么？
  • 2.7 TF-IDF 的缺点是什么？
  • 2.8 TF-IDF 的应用？

---

word2vec

• 一、Wordvec 介绍篇
  • 1.1 Wordvec 指什么?
  • 1.2 Wordvec 中 CBOW 指什么?
  • 1.3 Wordvec 中 Skip-gram 指什么?
  • 1.4 CBOW vs Skip-gram 哪一个好？
• 二、Wordvec 优化篇
  • 2.1 Word2vec 中 霍夫曼树 是什么？
  • 2.2 Word2vec 中 为什么要使用 霍夫曼树？
  • 2.3 Word2vec 中使用 霍夫曼树 的好处？
  • 2.4 为什么 Word2vec 中会用到 负采样？
  • 2.5 Word2vec 中会用到 负采样 是什么样？
  • 2.6 Word2vec 中 负采样 的采样方式？
• 三、Wordvec 对比篇
  • 3.1 word2vec和NNLM对比有什么区别？（word2vec vs NNLM）
  • 3.2 word2vec和tf-idf 在相似度计算时的区别？
• 四、word2vec 实战篇
  • 4.1 word2vec训练trick，window设置多大？
  • 4.1 word2vec训练trick，词向量纬度，大与小有什么影响，还有其他参数？

---

FastText

• 一、fastText 动机篇
  • 1.1 word-level Model 是什么？
  • 1.2 word-level Model 存在什么问题？
  • 1.3 Character-Level Model 是什么？
  • 1.4 Character-Level Model 优点？
  • 1.5 Character-Level Model 存在问题？
  • 1.6 Character-Level Model 问题的解决方法？
• 二、 词内的n-gram信息(subword n-gram information) 介绍篇
  • 2.1 引言
  • 2.2 fastText 是什么?
  • 2.3 fastText 的结构是什么样?
  • 2.4 为什么 fastText 要使用词内的n-gram信息(subword n-gram information)?
  • 2.5 fastText 词内的n-gram信息(subword n-gram information) 介绍?
  • 2.6 fastText 词内的n-gram信息 的 训练过程?
  • 2.7 fastText 词内的n-gram信息 存在问题?
• 三、 层次化Softmax回归(Hierarchical Softmax) 介绍篇
  • 3.1 为什么要用 层次化Softmax回归(Hierarchical Softmax) ？
  • 3.2 层次化Softmax回归(Hierarchical Softmax) 的思想是什么？
  • 3.3 层次化Softmax回归(Hierarchical Softmax) 的步骤？
• 四、fastText 存在问题？

---

Elmo

• 一、Elmo 动机篇
  • 1.1 为什么会有 Elmo？
• 二、Elmo 介绍篇
  • 2.1 Elmo 的 特点？
  • 2.2 Elmo 的 思想是什么？
• 三、Elmo 问题篇
  • 3.1 Elmo 存在的问题是什么？

---

CNN 常见面试篇

• 一、动机篇
• 二、CNN 卷积层篇
  • 2.1 卷积层的本质是什么？
  • 2.2 CNN 卷积层与全连接层的联系？
  • 2.3 channel的含义是什么？
• 三、CNN 池化层篇
  • 3.1 池化层针对区域是什么？
  • 3.2 池化层的种类有哪些？
  • 3.3 池化层的作用是什么？
  • 3.4 池化层 反向传播 是什么样的？
  • 3.5 mean pooling 池化层 反向传播 是什么样的？
  • 3.6 max pooling 池化层 反向传播 是什么样的？
• 四、CNN 整体篇
  • 4.1 CNN 的流程是什么？
  • 4.2 CNN 的特点是什么？
  • 4.3 卷积神经网络为什么会具有平移不变性？
  • 4.4 卷积神经网络中im2col是如何实现的？
  • 4.5 CNN 的局限性是什么？
• 五、Iterated Dilated CNN 篇
  • 5.1 什么是 Dilated CNN 空洞卷积？
  • 5.2 什么是 Iterated Dilated CNN？
• 六、反卷积 篇
  • 6.1 解释反卷积的原理和用途？

---

RNN 常见面试篇

• 一、RNN 篇
  • 1.2 为什么需要 RNN?
  • 1.2 RNN 结构是怎么样的？
  • 1.3 RNN 前向计算公式？
  • 1.4 RNN 存在什么问题？
• 二、长短时记忆网络(Long Short Term Memory Network, LSTM) 篇
  • 2.1 为什么 需要 LSTM?
  • 2.2 LSTM 的结构是怎么样的?
  • 2.3 LSTM 如何缓解 RNN 梯度消失和梯度爆炸问题?
  • 2.3 LSTM 的流程是怎么样的?
  • 2.4 LSTM 中激活函数区别?
  • 2.5 LSTM的复杂度？
  • 2.6 LSTM 存在什么问题？
• 三、GRU (Gated Recurrent Unit)
  • 3.1 为什么 需要 GRU?
  • 3.2 GRU 的结构是怎么样的?
  • 3.3 GRU 的前向计算?
  • 3.4 GRU 与其他 RNN系列模型的区别？
• 四、RNN系列模型篇
  • 4.1 RNN系列模型 有什么特点？

---

Attention 常见面试篇

• 一、seq2seq 篇
  • 1.1 seq2seq （Encoder-Decoder）是什么？
  • 1.2 seq2seq 中 的 Encoder 怎么样？
  • 1.3 seq2seq 中 的 Decoder 怎么样？
  • 1.4 在 数学角度上 的 seq2seq ，你知道么？
  • 1.5 seq2seq 存在 什么 问题？
• 二、Attention 篇
  • 2.1 什么是 Attention?
  • 2.2 为什么引入 Attention机制？
  • 2.3 Attention 有什么作用？
  • 2.4 Attention 流程是怎么样？
  • • 步骤一 执行encoder (与 seq2seq 一致)
    • 步骤二 计算对齐系数 a
    • 步骤三 计算上下文语义向量 C
    • 步骤四 更新decoder状态
    • 步骤五 计算输出预测词
  • 2.5 Attention 的应用领域有哪些？
• 三、Attention 变体篇
  • 3.1 Soft Attention 是什么？
  • 3.2 Hard Attention 是什么？
  • 3.3 Global Attention 是什么？
  • 3.4 Local Attention 是什么？
  • 3.5 self-attention 是什么？

---

Transformer

• Transformer 常见面试篇
• • 一、动机篇
  • • 1.1 为什么要有 Transformer?
    • 1.2 Transformer 作用是什么？
  • 二、整体结构篇
  • • 2.1 Transformer 整体结构是怎么样？
    • 2.2 Transformer-encoder 结构怎么样？
    • 2.3 Transformer-decoder 结构怎么样?
  • 三、模块篇
  • • 3.1 self-attention 模块
  • • 3.1.1 传统 attention 是什么?
      • 3.1.2 为什么 会有self-attention?
      • 3.1.3 self-attention 的核心思想是什么?
      • 3.1.4 self-attention 的目的是什么?
      • 3.1.5 self-attention 的怎么计算的?
      • 3.1.6 self-attention 为什么Q和K使用不同的权重矩阵生成，为何不能使用同一个值进行自身的点乘？
      • 3.1.7 为什么采用点积模型的 self-attention 而不采用加性模型？
      • 3.1.8 Transformer 中在计算 self-attention 时为什么要除以 �d？
      • 3.1.9 self-attention 如何解决长距离依赖问题？
      • 3.1.10 self-attention 如何并行化？
    • 3.2 multi-head attention 模块
  • • 3.2.1 multi-head attention 的思路是什么样?
      • 3.2.2 multi-head attention 的步骤是什么样?
    • 3.2.3 Transformer为何使用多头注意力机制？（为什么不使用一个头）
      • 3.2.4 为什么在进行多头注意力的时候需要对每个head进行降维？
      • 3.2.5 multi-head attention 代码介绍
    • 3.3 位置编码（Position encoding）模块
      • 3.3.1 为什么要 加入 位置编码（Position encoding） ？
      • 3.3.2 位置编码（Position encoding）的思路是什么 ？
    • 3.3.3 位置编码（Position encoding）的作用是什么 ？
      • 3.3.4 位置编码（Position encoding）的步骤是什么 ？
    • 3.3.5 Position encoding为什么选择相加而不是拼接呢？
      • 3.3.6 Position encoding和 Position embedding的区别？
      • 3.3.7 为何17年提出Transformer时采用的是 Position Encoder 而不是Position Embedding？而Bert却采用的是 Position Embedding ？
      • 3.3.8 位置编码（Position encoding）的代码介绍
    • 3.4 残差模块模块
      • 3.4.1 为什么要 加入 残差模块？
    • 3.5 Layer normalization 模块
      • 3.5.1 为什么要 加入 Layer normalization 模块？
      • 3.5.2 Layer normalization 模块的是什么？
    • 3.5.3 Batch normalization 和 Layer normalization 的区别？
      • 3.5.4 Transformer 中为什么要舍弃 Batch normalization 改用 Layer normalization 呢?
    • 3.5.5 Layer normalization 模块代码介绍
    • 3.6 Mask 模块
  • • 3.6.1 什么是 Mask？
      • 3.6.2 Transformer 中用到 几种 Mask？
    • 3.6.3 能不能介绍一下 Transformer 中用到几种 Mask？

---

• 【关于 Transformer 问题及改进】那些你不知道的事
  • 一、Transformer 问题篇
    • 1.1 既然 Transformer 怎么牛逼，是否还存在一些问题？
  • 二、每个问题的解决方法是什么？
    • 2.1 问题一：Transformer 不能很好的处理超长输入问题
    • • 2.1.1 Transformer 固定了句子长度？
      • 2.1.2 Transformer 固定了句子长度 的目的是什么？
      • 2.1.3 Transformer 针对该问题的处理方法？
    • 2.2 问题二：Transformer 方向信息以及相对位置 的 缺失 问题
    • 2.3 问题三：缺少Recurrent Inductive Bias
    • 问题四：问题四：Transformer是非图灵完备的： 非图灵完备通俗的理解，就是无法解决所有的问题
    • 问题五：transformer缺少conditional computation；
    • 问题六：transformer 时间复杂度 和 空间复杂度 过大问题；

---

Bert

• 一、动机篇
  • 1.1 【演变史】one-hot 存在问题?
  • 1.2【演变史】wordvec 存在问题?
  • 1.3【演变史】fastText 存在问题?
  • 1.4【演变史】elmo 存在问题?
• 二、Bert 篇
  • 2.1 Bert 介绍篇
    • 2.1.1【BERT】Bert 是什么?
    • 2.1.2【BERT】Bert 三个关键点？
  • 2.2 Bert 输入输出表征篇
    • 2.2.1 【BERT】Bert 输入输出表征长啥样？
  • 2.3 【BERT】Bert 预训练篇
    • 2.3.1 【BERT】Bert 预训练任务介绍
    • 2.3.2 【BERT】Bert 预训练任务 之 Masked LM 篇
      • 2.3.2.1 【BERT】 Bert 为什么需要预训练任务 Masked LM ？
      • 2.3.2.2 【BERT】 Bert 预训练任务 Masked LM 怎么做？
      • 2.3.2.3 【BERT】 Bert 预训练任务 Masked LM 存在问题？
      • 2.3.2.4 【BERT】 预训练和微调之间的不匹配的解决方法？
    • 2.3.3 【BERT】Bert 预训练任务 之 Next Sentence Prediction 篇
      • 2.3.3.1 【BERT】Bert 为什么需要预训练任务 Next Sentence Prediction ？
      • 2.3.3.2 【BERT】 Bert 预训练任务 Next Sentence Prediction 怎么做？
  • 2.4 【BERT】 fine-turning 篇？
    • 2.4.1 【BERT】为什么 Bert 需要 fine-turning？
    • 2.4.2 【BERT】 Bert 如何 fine-turning？
  • 2.5 【BERT】 Bert 损失函数篇？
    • 2.5.1 【BERT】BERT的两个预训练任务对应的损失函数是什么(用公式形式展示)？
• 三、 对比篇？
  • 3.1 【对比】多义词问题是什么？
  • 3.2 【对比】word2vec 为什么解决不了多义词问题？
  • 3.3 【对比】GPT和BERT有什么不同？
  • 3.4 【对比】为什么 elmo、GPT、Bert能够解决多义词问题？（以 elmo 为例）

---

• 【关于 Bert 源码解析I 之 主体篇】那些你不知道的事
• 【关于 Bert 源码解析II 之 预训练篇】那些你不知道的事
• 【关于 Bert 源码解析III 之 微调篇】那些你不知道的事
• 【关于 Bert 源码解析IV 之 句向量生成篇】那些你不知道的事
• 【关于 Bert 源码解析V 之 文本相似度篇】那些你不知道的事

---

Bert Trick 面试篇

Bert 未登录词处理 面试篇

• 什么是 Bert 未登录词？
• Bert 未登录词 如何处理？
• Bert 未登录词各种处理方法 有哪些优缺点？

---

BERT在输入层引入额外特征 面试篇

• BERT在输入层如何引入额外特征？

---

关于BERT 继续预训练 面试篇

• 什么是 继续预训练？
• 为什么会存在 【数据分布/领域差异】大 问题？
• 如何进行 继续预训练？
• 还有哪些待解决问题？
• 训练数据问题解决方案？
• 知识缺乏问题解决方案？
• 知识理解缺乏问题解决方案？

---

BERT如何处理篇章级长文本 面试篇

• 为什么 Bert 不能 处理 长文本？
• BERT 有哪些处理篇章级长文本?

---

Bert 模型系列 常见面试篇

• 认识 XLNet 么？能不能讲一下？ 和 Bert 的 区别在哪里？
• 认识 RoBERTa 么？能不能讲一下？ 和 Bert 的 区别在哪里？
• 认识 SpanBERT 么？能不能讲一下？ 和 Bert 的 区别在哪里？
• 认识 MASS 么？能不能讲一下？ 和 Bert 的 区别在哪里？

---

Bert 模型压缩 常见面试篇

• Bert 模型压缩 常见面试篇
  • 一、Bert 模型压缩 动机篇
  • 二、Bert 模型压缩对比表
  • 三、 Bert 模型压缩方法介绍
    • 3.1 Bert 模型压缩方法 之 低秩因式分解&跨层参数共享
    • • 3.1.1 什么是低秩因式分解？
      • 3.1.2 什么是跨层参数共享？
      • 3.1.3 ALBERT 所所用的方法？
    • 3.2 Bert 模型压缩方法 之 蒸馏
    • • 3.2.1 什么是蒸馏？
      • 3.2.2 使用 模型蒸馏 的论文 有哪些，稍微介绍一下？
    • 3.3 Bert 模型压缩方法 之 量化
    • • 3.3.1 什么是量化？
      • 3.3.2 Q-BERT: Hessian Based Ultra Low Precision Quantization of BERT 【量化】
    • 3.4 Bert 模型压缩方法 之 剪枝
    • • 3.4.1 什么是剪枝？
  • 四、模型压缩存在问题？

---

语义相似度匹配任务中的 BERT 常见面试篇

• 一、Sentence Pair Classification Task：使用 CLS
• 二、cosine similairity
• 三、长短文本的区别
• 四、sentence/word embedding
• 五、siamese network 方式

---

判别式（discriminative）模型 vs. 生成式(generative)模型 常见面试篇

• 一、判别式模型篇
  • 1.1 什么是判别式模型？
  • 1.2 判别式模型是思路是什么？
  • 1.3 判别式模型的优点是什么？
• 二、生成式模型篇
  • 2.1 什么是生成式模型？
  • 2.2 生成式模型是思路是什么？
  • 2.3 生成式模型的优点是什么？
  • 2.4 生成式模型的缺点是什么？

---

文本生成 常见面试篇

• 生成模型的解码方法 常见面试篇
  • 什么是生成模型？
  • 介绍一下 基于搜索的解码方法？
  • 介绍一下 基于采样的解码方法？

---

---

文本摘要

• 一、动机篇
  • 1.1 什么是文本摘要？
  • 1.2 文本摘要技术有哪些类型？
• 二、抽取式摘要篇
  • 2.1 抽取式摘要是怎么做的？
    • 2.1.1 句子重要性评估算法有哪些？
    • 2.1.2 基于约束的摘要生成方法有哪些？
    • 2.1.3 TextTeaser算法是怎么抽取摘要的？
    • 2.1.4 TextRank算法是怎么抽取摘要的？
  • 2.2 抽取式摘要的可读性问题是什么？
• 三、压缩式摘要篇
  • 3.1 压缩式摘要是怎么做的？
• 四、生成式摘要篇
  • 4.1 生成式摘要是怎么做的？
  • 4.2 生成式摘要存在哪些问题？
  • 4.3 Pointer-generator network解决了什么问题？
• 五、摘要质量评估方法
  • 5.1 摘要质量的评估方法有哪些类型？
  • 5.2 什么是ROUGE？
  • 5.3 几种ROUGE指标之间的区别是什么？
  • 5.4 BLEU和ROUGE有什么不同？

---

文本纠错

• 一、介绍篇
  • 1.1 什么是文本纠错？
  • 1.2 常见的文本错误类型？
  • 1.3 文本纠错 常用方法？
• 二、pipeline 方法 介绍篇
  • pipeline 中的 错误检测 如何实现？
  • pipeline 中的 候选召回 如何实现？
  • pipeline 中的 纠错排序 如何实现？
  • pipeline 中的 ASR 回显优化 如何实现？

---

文本匹配

文本匹配模型 ESIM 常见面试篇

• 为什么需要 ESIM？
• 介绍一下 ESIM 模型？

---

文本分类

• 一、 抽象命题
  • 1.1 分类任务有哪些类别？它们都有什么特征？
  • 1.2 文本分类任务相较于其他领域的分类任务有何不同之处？
  • 1.3 文本分类任务和文本领域的其他任务相比有何不同之处？
  • 1.4 文本分类的过程？
• 二、数据预处理
  • 2.1 文本分类任务的数据预处理方法有哪些？
  • 2.2 你使用过哪些分词方法和工具？
  • 2.3 中文文本分词的方法？
  • 2.4 基于字符串匹配的分词方法的原理 是什么？
  • 2.5 统计语言模型如何应用于分词？N-gram最大概率分词？
  • 2.6 基于序列标注的分词方法 是什么？
  • 2.7 基于(Bi-)LSTM的词性标注 是什么？
  • 2.8 词干提取和词形还原有什么区别？
• 三、特征提取
  • 3.1 （一个具体的）文本分类任务可以使用哪些特征？
  • 3.2 （对于西文文本）使用单词和使用字母作为特征相比，差异如何？
  • 3.3 能不能简单介绍下词袋模型？
  • 3.4 n-gram 篇
    • 3.4.1 什么是n元语法？为什么要用n-gram？
    • 3.4.2 n-gram算法的局限性是什么？
  • 3.5 主题建模篇
    • 3.5.1 介绍一下主题建模任务？
    • 3.5.2 主题建模的常用方法
    • 3.5.3 TF-IDF算法是做什么的？简单介绍下TF-IDF算法
    • 3.5.4 tf-idf高意味着什么？
    • 3.5.5 tf-idf的不足之处
  • 3.6 文本相似度篇
    • 3.6.1 如何计算两段文本之间的距离？
    • 3.6.2 什么是jaccard距离？
    • 3.6.3 Dice系数和Jaccard系数的区别？
    • 3.6.4 同样是编辑距离，莱文斯坦距离和汉明距离的区别在哪里？
    • 3.6.5 写一下计算编辑距离（莱温斯坦距离）的编程题吧？
• 四、模型篇
  • 4.1 fastText 篇
    • 4.1.1 fastText的分类过程？
    • 4.1.2 fastText的优点？
  • 4.2 TextCNN 篇
    • 4.2.1 TextCNN进行文本分类的过程?
    • 4.2.2 TextCNN可以调整哪些参数？
    • 4.2.3 使用CNN作为文本分类器时，不同通道channels对应着文本的什么信息？
    • 4.2.4 TextCNN中卷积核的长与宽代表了什么？
    • 4.2.5 在TextCNN中的pooling操作与一般CNN的pooling操作有何不同？
    • 4.2.6 TextCNN的局限性？
  • 4.3 DPCNN 篇
    • 4.3.1 如何解决长文本分类任务？
    • 4.3.2 简单介绍DPCNN模型相较于TextCNN的改进？
  • 4.4 TextRCNN 篇
    • 4.4.1 简要介绍TextRCNN相较于TextCNN的改进？
  • 4.5 RNN+Attention 篇
    • 4.5.1 RNN+Attention进行文本分类任务的思路，以及为什么要加Attention / 注意力机制如何应用于文本分类领域？
  • 4.6 GNN 图神经网络篇
    • 4.6.1 GNN 图神经网络如何应用于文本分类领域？
  • 4.7 Transformer 篇
    • 4.7.1 基于Transformer的预训练模型如何应用于文本分类领域？
  • 4.8 预训练模型 篇
    • 4.8.1 你了解哪些预训练模型？它们的特点是什么？
• 五、损失函数
  • 5.1 激活函数sigmoid篇
    • 5.1.1 二分类问题使用的激活函数sigmoid简介？
    • 5.1.2 Sigmod的缺点是什么？
  • 5.2 激活函数softmax篇
    • 5.2.1 softmax函数是什么？
    • 5.2.2 softmax函数怎么求导？
  • 5.3 分类问题使用的损失函数还有有哪些？
• 六、模型评估和算法比较
  • 6.1 文本分类任务使用的评估算法和指标有哪些？
  • 6.2 简单介绍混淆矩阵和kappa？

---

文本分类 trick 常见面试篇

• 一、文本分类数据预处理 如何做？
• 二、文本分类 预训练模型 如何选择？
• 三、文本分类 参数 如何优化？
• 四、文本分类 有哪些棘手任务？
• 五、文本分类 标签体系构建？
• 六、文本分类 策略构建？

---

用检索的方式做文本分类 常见面试篇

• 为什么需要用检索的方式做文本分类？
• 基于检索的方法做文本分类思路？
• 检索的方法的召回库如何构建？
• 检索的方法 的 训练阶段 如何做？
• 检索的方法 的 预测阶段 如何做？
• 用检索的方式做文本分类 方法 适用场景有哪些？

---

---

---

少样本问题面

数据增强（EDA） 面试篇

• 一、动机篇
  • 1.1 什么是 数据增强？
  • 1.2 为什么需要 数据增强？
• 二、常见的数据增强方法篇
  • 2.1 词汇替换篇
    • 2.1.1 什么是基于词典的替换方法？
    • 2.1.2 什么是基于词向量的替换方法？
    • 2.1.3 什么是基于 MLM 的替换方法？
    • 2.1.4 什么是基于 TF-IDF 的词替换？
  • 2.2 词汇插入篇
    • 2.2.1 什么是随机插入法？
  • 2.3 词汇交换篇
    • 2.3.1 什么是随机交换法？
  • 2.4 词汇删除篇
    • 2.4.1 什么是随机删除法？
  • 2.5 回译篇
    • 2.5.1 什么是回译法？
  • 2.6 交叉增强篇
    • 2.6.1 什么是 交叉增强篇
  • 2.7 语法树篇
    • 2.7.1 什么是语法树操作？
  • 2.8 对抗增强篇
    • 2.8.1 什么是对抗增强？

---

主动学习

• 一、动机篇
  • 1.1 主动学习是什么？
  • 1.2 为什么需要主动学习？
• 二、主动学习篇
  • 2.1 主动学习的思路是什么？
  • 2.2 主动学习方法 的价值点在哪里？
• 三、样本选取策略篇
  • 3.1 以未标记样本的获取方式的差别进行划分
  • 3.2 测试集内选取“信息”量最大的数据标记
    • 3.2.1 测试集内选取“信息”量最大的数据标记
    • 3.2.2 依赖不确定度的样本选取策略（Uncertainty Sampling, US）
    • 3.2.3 基于委员会查询的方法（Query-By-Committee，QBC）

---

数据增强 之 对抗训练 面试篇

• 一、介绍篇
  • 1.1 什么是 对抗训练 ？
  • 1.2 为什么 对抗训练 能够 提高模型效果？
  • 1.3 对抗训练 有什么特点？
  • 1.4 对抗训练 的作用?
• 二、概念篇
  • 2.1 对抗训练的基本概念?
  • 2.2 如何计算扰动?
  • 2.3 如何优化?
• 三、实战篇
  • 3.1 NLP 中经典对抗训练 之 Fast Gradient Method（FGM）
  • 3.2 NLP 中经典对抗训练 之 Projected Gradient Descent（PGD）

---

“脏数据”处理 面试篇

• 一、动机
  • 1.1 何为“脏数据”？
  • 1.2 “脏数据” 会带来什么后果？
• 二、“脏数据” 处理篇
  • 2.1 “脏数据” 怎么处理呢？
  • 2.2 置信学习方法篇
    • 2.2.1 什么是 置信学习方法？
    • 2.2.2 置信学习方法 优点？
    • 2.2.3 置信学习方法 怎么做？
    • 2.2.4 置信学习方法 怎么用？有什么开源框架？
    • 2.2.5 置信学习方法 的工作原理？

---

batch_size设置 面试篇

• 一、训练模型时，batch_size的设置，学习率的设置?

---

早停法 EarlyStopping 面试篇

• 一、 为什么要用 早停法 EarlyStopping？
• 二、 早停法 EarlyStopping 是什么？
• 三、早停法 torch 版本怎么实现？

---

标签平滑法 LabelSmoothing 面试篇

• 一、为什么要有 标签平滑法 LabelSmoothing？
• 二、 标签平滑法 是什么？
• 三、 标签平滑法 torch 怎么复现？

---

知识图谱

• 一、知识图谱简介
  • 1.1 引言
  • 1.2 什么是知识图谱呢？
    • 1.2.1 什么是图（Graph）呢？
    • 1.2.2 什么是 Schema 呢？
  • 1.3 知识图谱的类别有哪些？
  • 1.4 知识图谱的价值在哪呢？
• 二、怎么构建知识图谱呢？
  • 2.1 知识图谱的数据来源于哪里？
  • 2.2 信息抽取的难点在哪里？
  • 2.3 构建知识图谱所涉及的技术？
  • 2.4、知识图谱的具体构建技术是什么？
    • 2.4.1 实体命名识别（Named Entity Recognition）
    • 2.4.2 关系抽取（Relation Extraction）
    • 2.4.3 实体统一（Entity Resolution）
    • 2.4.4 指代消解（Disambiguation）
• 三、知识图谱怎么存储？
• 四、知识图谱可以做什么？

---

KBQA 常见面试篇

• 一、基于词典和规则的方法
  • 基于词典和规则的方法 实现 KBQA?
  • 基于词典和规则的方法 实现 KBQA 流程?
• 二、基于信息抽取的方法
  • 基于信息抽取的方法 实现 KBQA 流程?

---

Neo4j 常见面试篇

• 一、Neo4J 介绍与安装
• • 1.1 引言
  • 1.2 Neo4J 怎么下载？
  • 1.3 Neo4J 怎么安装？
  • 1.4 Neo4J Web 界面 介绍
  • 1.5 Cypher查询语言是什么？
• 二、Neo4J 增删查改篇
  • 2.1 引言
  • 2.2 Neo4j 怎么创建节点？
  • 2.3 Neo4j 怎么创建关系？
  • 2.4 Neo4j 怎么创建 出生地关系？
  • 2.5 Neo4j 怎么查询？
  • 2.6 Neo4j 怎么删除和修改？
• 三、如何利用 Python 操作 Neo4j 图数据库？
  • 3.1 neo4j模块：执行CQL ( cypher ) 语句是什么？
  • 3.2 py2neo模块是什么？
• 四、数据导入 Neo4j 图数据库篇

---

对话系统

• 一、对话系统 介绍篇
  • 1.1 对话系统有哪几种？
  • 1.2 这几种对话系统的区别？
• 二、多轮对话系统 介绍篇
  • 2.1 为什么要用 多轮对话系统？
  • 2.2 常见的多轮对话系统解决方案是什么？
• 三、任务型对话系统 介绍篇
  • 3.1 什么是任务型对话系统？
  • 3.2 任务型对话系统的流程是怎么样？
  • 3.3 任务型对话系统 语言理解（SLU）篇
    • 3.3.1 什么是 语言理解（SLU）？
    • 3.3.2 语言理解（SLU）的输入输出是什么？
    • 3.3.3 语言理解（SLU）所使用的技术是什么？
  • 3.4 任务型对话系统 DST（对话状态跟踪）篇
    • 3.4.1 什么是 DST（对话状态跟踪）？
    • 3.4.2 DST（对话状态跟踪）的输入输出是什么？
    • 3.4.3 DST（对话状态跟踪）存在问题和解决方法？
    • 3.4.4 DST（对话状态跟踪）实现方式是什么？
  • 3.5 任务型对话系统 DPO（对话策略学习）篇
    • 3.5.1 DPO（对话策略学习）是什么？
    • 3.5.2 DPO（对话策略学习）的输入输出是什么？
    • 3.5.3 DPO（对话策略学习）的实现方法是什么？
  • 3.6 任务型对话系统 NLG（自然语言生成）篇
    • 3.6.1 NLG（自然语言生成）是什么？
    • 3.6.2 NLG（自然语言生成）的输入输出是什么？
    • 3.6.3 NLG（自然语言生成）的实现方式？

---

问答系统

FAQ 检索式问答系统

• 一、动机
  • 1.1 问答系统的动机？
  • 1.2 问答系统 是什么？
• 二、FAQ 检索式问答系统介绍篇
  • 2.1 FAQ 检索式问答系统 是 什么？
  • 2.2 query 匹配标准 QA 的核心是什么?
• 三、FAQ 检索式问答系统 方案篇
  • 3.1 常用 方案有哪些？
  • 3.2 为什么 QQ 匹配比较常用？
    • 3.2.1 QQ 匹配的优点有哪些？
    • 3.2.2 QQ 匹配的语义空间是什么？
    • 3.2.3 QQ 匹配的语料的稳定性是什么？
    • 3.2.4 QQ 匹配的业务回答与算法模型的解耦是什么？
    • 3.2.5 QQ 匹配的新问题发现与去重是什么？
    • 3.2.6 QQ 匹配的上线运行速度是什么？
  • 3.3 QQ 匹配一般处理流程是怎么样？ 【假设 标准问题库 已处理好】
• 四、FAQ 标准问题库构建篇
  • 4.1 如何发现 FAQ 中标准问题？
  • 4.2 FAQ 如何做拆分？
  • 4.3 FAQ 如何做合并？
  • 4.4 FAQ 标准库如何实时更新？
• 五、FAQ 标准问题库答案优化篇
  • 5.1 FAQ 标准问题库答案如何优化？

---

问答系统工具篇 常见面试篇

Faiss 常见面试篇

• 一、动机篇
  • 1.1 传统的相似度算法所存在的问题？
• 二、介绍篇
  • 2.1 什么是 Faiss ？
  • 2.2 Faiss 如何使用？
  • 2.3 Faiss原理与核心算法
• 三、Faiss 实战篇
  • 3.1 Faiss 如何安装？
  • 3.2 Faiss 的索引Index有哪些？
  • 3.3 Faiss 的索引Index都怎么用？
    • 3.3.1 数据预备
    • 3.3.2 暴力美学 IndexFlatL2
    • 3.3.3 闪电侠 IndexIVFFlat
    • 3.3.4 内存管家 IndexIVFPQ
  • 3.4 Faiss 然后使用 GPU？
• 四、 Faiss 对比篇
  • 4.1 sklearn cosine_similarity 和 Faiss 哪家强

---

信息抽取 常见面试篇

命名实体识别 常见面试篇

隐马尔科夫算法 HMM 常见面试篇

• 一、基础信息 介绍篇
  • 1.1 什么是概率图模型？
  • 1.2 什么是 随机场？
• 二、马尔可夫过程 介绍篇
  • 2.1 什么是 马尔可夫过程？
  • 2.2 马尔可夫过程 的核心思想 是什么？
• 三、隐马尔科夫算法 篇
  • 3.1 隐马尔科夫算法 介绍篇
    • 3.1.1 隐马尔科夫算法 是什么？
    • 3.1.2 隐马尔科夫算法 中 两个序列 是什么？
    • 3.1.3 隐马尔科夫算法 中 三个矩阵 是什么？
    • 3.1.4 隐马尔科夫算法 中 两个假设 是什么？
    • 3.1.5 隐马尔科夫算法 中 工作流程 是什么？
  • 3.2 隐马尔科夫算法 模型计算过程篇
    • 3.2.1 隐马尔科夫算法 学习训练过程 是什么样的？
    • 3.2.2 隐马尔科夫算法 序列标注（解码）过程 是什么样的？
    • 3.2.3 隐马尔科夫算法 序列概率过程 是什么样的？
  • 3.3 隐马尔科夫算法 问题篇

---

最大熵马尔科夫模型 MEMM 常见面试篇

• 四、最大熵马尔科夫模型（MEMM）篇
  • 4.1 最大熵马尔科夫模型（MEMM）动机篇
    • 4.1.1 HMM 存在 什么问题？
  • 4.2 最大熵马尔科夫模型（MEMM）介绍篇
    • 4.2.1 最大熵马尔科夫模型（MEMM） 是什么样？
    • 4.2.2 最大熵马尔科夫模型（MEMM） 如何解决 HMM 问题？
  • 4.3 最大熵马尔科夫模型（MEMM）问题篇

---

条件随机场（CRF） 常见面试篇

• 五、条件随机场（CRF）篇
  • 5.1 CRF 动机篇
    • 5.1.1 HMM 和 MEMM 存在什么问题？
  • 5.2 CRF 介绍篇
    • 5.2.1 什么是 CRF?
    • 5.2.2 CRF 的 主要思想是什么？
    • 5.2.3 CRF 的定义是什么?
    • 5.2.4 CRF 的 流程是什么？
  • 5.3 CRF 优缺点篇
    • 5.3.1 CRF 的 优点在哪里？
    • 5.3.2 CRF 的 缺点在哪里？
  • 5.4 CRF 复现？
• 六、对比篇
  • 6.1 CRF模型 和 HMM和MEMM模型 区别？

---

---

事件抽取

• 一、原理篇
  • 1.1 什么是事件？
  • 1.2 什么是事件抽取？
  • 1.3 ACE测评中事件抽取涉及的几个基本术语及任务是什么？
  • 1.4 事件抽取怎么发展的？
  • 1.5 事件抽取存在什么问题？
• 二、基本任务篇
  • 2.1 触发词检测
    • 2.1.1 什么是触发词检测？
    • 2.1.2 触发词检测有哪些方法？
  • 2.2 类型识别
    • 2.2.1 什么是类型识别？
    • 2.2.2 类型识别有哪些方法？
  • 2.3 角色识别
    • 2.3.1 什么是角色识别？
    • 2.3.2 角色识别有哪些方法？
  • 2.4 论元检测
    • 2.4.1 什么是论元检测？
    • 2.4.2 论元检测有哪些方法？
• 三、常见方法篇
  • 3.1 模式匹配方法怎么用在事件抽取中?
  • 3.2 统计机器学习方法怎么用在事件抽取中?
  • 3.3 深度学习方法怎么用在事件抽取中?
• 四、数据集及评价指标篇
  • 4.1 事件抽取中常见的英文数据集有哪些？
  • 4.2 事件抽取中常见的中文数据集有哪些？
  • 4.3 事件抽取的评价指标是什么？怎么计算的？
• 五、对比篇
  • 5.1 事件抽取和命名实体识别（即实体抽取）有什么异同？
  • 5.2 事件抽取和关系抽取有什么异同？
  • 5.3 什么是事理图谱？有哪些事件关系类型？事理图谱怎么构建？主要技术领域及当前发展热点是什么？
• 六、应用篇
• 七、拓展篇
  • 7.1 事件抽取论文综述
  • 7.2 事件抽取常见问题

---

---

关系抽取 常见面试篇

• 一、动机篇
  • 1.1 什么是关系抽取？
  • 1.2 关系抽取技术有哪些类型？
  • 1.3 常见的关系抽取流程是怎么做的？
• 二、经典关系抽取篇
  • 2.1 模板匹配方法是指什么？有什么优缺点？
  • 2.2 远监督关系抽取是指什么？它有什么优缺点？
  • 2.3 什么是关系重叠？复杂关系问题？
  • 2.4 联合抽取是什么？难点在哪里？
  • 2.5 联合抽取总体上有哪些方法？各有哪些缺点？
  • 2.6 介绍基于共享参数的联合抽取方法？
  • 2.7 介绍基于联合解码的联合抽取方法？
  • 2.8 实体关系抽取的前沿技术和挑战有哪些？如何解决低资源和复杂样本下的实体关系抽取？
• 三、文档级关系抽取篇
  • 3.1 文档级关系抽取与经典关系抽取有何区别？
  • 3.2 文档级别关系抽取中面临什么样的问题？
  • 3.3 文档级关系抽取的方法有哪些？
    • 3.3.1 基于BERT-like的文档关系抽取是怎么做的？
    • 3.3.2 基于graph的文档关系抽取是怎么做的？
  • 3.4 文档级关系抽取常见数据集有哪些以及其评估方法？

---

---

DNN-CRF 常见面试篇

• 一、基本信息
  • 1.1 命名实体识别 评价指标 是什么？
• 二、传统的命名实体识别方法
  • 2.1 基于规则的命名实体识别方法是什么？
  • 2.2 基于无监督学习的命名实体识别方法是什么？
  • 2.3 基于特征的监督学习的命名实体识别方法是什么？
• 三、基于深度学习的命名实体识别方法
  • 3.1 基于深度学习的命名实体识别方法 相比于 基于机器学习的命名实体识别方法的优点？
  • 3.2 基于深度学习的命名实体识别方法 的 结构是怎么样？
  • 3.3 分布式输入层 是什么，有哪些方法？
  • 3.4 文本编码器篇
    • 3.4.1 BiLSTM-CRF 篇
      • 3.4.1.1 什么是 BiLSTM-CRF？
      • 3.4.1.2 为什么要用 BiLSTM？
    • 3.4.2 IDCNN-CRF 篇
      • 3.4.2.1 什么是 Dilated CNN？
      • 3.4.2.2 为什么会有 Dilated CNN？
      • 3.4.2.3 Dilated CNN 的优点？
      • 3.4.2.4 IDCNN-CRF 介绍
  • 3.5 标签解码器篇
    • 3.5.1 标签解码器是什么？
    • 3.5.2 MLP+softmax层 介绍？
    • 3.5.3 条件随机场CRF层 介绍？
    • 3.5.4 循环神经网络RNN层 介绍？
    • 3.5.3 指针网路层 介绍？
• 四、对比篇
  • 4.1 CNN-CRF vs BiLSTM-CRF vs IDCNN-CRF?
  • 4.2 为什么 DNN 后面要加 CRF?
  • 4.3 CRF in TensorFlow V.S. CRF in discrete toolkit？

---

中文领域 NER 常见面试篇

• 一、动机篇
  • 1.1 中文命名实体识别 与 英文命名实体识别的区别？
• 二、词汇增强篇
  • 2.1 什么是 词汇增强？
  • 2.2 为什么说 「词汇增强」 方法对于中文 NER 任务有效呢？
  • 2.3 词汇增强 方法有哪些？
  • 2.4 Dynamic Architecture
    • 2.4.1 什么是 Dynamic Architecture？
    • 2.4.2 常用方法有哪些？
    • 2.4.3 什么是 Lattice LSTM ，存在什么问题？
    • 2.4.4 什么是 FLAT ，存在什么问题？
  • 2.5 Adaptive Embedding 范式
    • 2.5.1 什么是 Adaptive Embedding 范式？
    • 2.5.2 常用方法有哪些？
    • 2.5.3 什么是 WC-LSTM ，存在什么问题？
• 三、词汇/实体类型信息增强篇
  • 3.1 什么是 词汇/实体类型信息增强？
  • 3.2 为什么说 「词汇/实体类型信息增强」 方法对于中文 NER 任务有效呢？
  • 3.3 词汇/实体类型信息增强 方法有哪些？
  • 3.4 什么是 LEX-BERT ？

---

命名实体识别 trick 常见面试篇

• trick 1：领域词典匹配
• trick 2：规则抽取
• trick 3：词向量选取：词向量 or 字向量？
• trick 4：特征提取器 如何选择？
• trick 5：专有名称 怎么 处理？
• trick 6：标注数据 不足怎么处理？
• trick 7：嵌套命名实体识别怎么处理
  • 7.1 什么是实体嵌套？
  • 7.2 与 传统命名实体识别任务的区别
  • 7.3 解决方法：
    • 7.3.1 方法一：序列标注
    • 7.3.2 方法二：指针标注
    • 7.3.3 方法三：多头标注
    • 7.3.4 方法四：片段排列
• trick 8：为什么说 「词汇增强」 方法对于中文 NER 任务有效？
• trick 9：NER实体span过长怎么办？
• trick 10: NER 标注数据噪声问题？
• trick 11： 给定两个命名实体识别任务，一个任务数据量足够，另外一个数据量很少，可以怎么做？
• trick 12： NER 标注数据不均衡问题？

---

---

Prompt Tuning 面试篇

Prompt 面试篇

1. 什么是prompt？
2. 如何设计prompt？
3. prompt进阶——如何自动学习prompt？
4. Prompt 有哪些关键要点？
5. Prompt 如何实现？

---

Prompt 文本生成 面试篇

1. Prompt之文本生成评估手段有哪些？
2. Prompt文本生成具体任务有哪些？

---

LoRA 面试篇

1. 什么是lora？
2. lora 是 怎么做的呢？
3. lora 为什么可以这样做？
4. 用一句话描述 lora？
5. lora 优点是什么？
6. lora 缺点是什么？
7. lora 如何实现？

---

PEFT（State-of-the-art Parameter-Efficient Fine-Tuning）面试篇

• 一、微调 Fine-tuning 篇
• • 1.1 什么是 微调 Fine-tuning ？
  • 1.2 微调 Fine-tuning 基本思想是什么？
• 二、轻度微调（lightweight Fine-tuning）篇
• • 2.1 什么是 轻度微调（lightweight Fine-tuning）？
• 三、适配器微调（Adapter-tuning）篇
• • 3.1 什么 是 适配器微调（Adapter-tuning）？
  • 3.2 适配器微调（Adapter-tuning）变体有哪些？
• 四、提示学习（Prompting）篇
• • 4.1 什么是 提示学习（Prompting）？
  • 4.2 提示学习（Prompting）的目的是什么？
  • 4.3 提示学习（Prompting） 代表方法有哪些？
    • 4.3.1 前缀微调（Prefix-tining）篇
      • 4.3.1.1 什么是 前缀微调（Prefix-tining）？
      • 4.3.1.2 前缀微调（Prefix-tining）的核心是什么？
      • 4.3.1.3 前缀微调（Prefix-tining）的技术细节有哪些？
      • 4.3.1.4 前缀微调（Prefix-tining）的优点是什么？
      • 4.3.1.5 前缀微调（Prefix-tining）的缺点是什么？
    • 4.3.2 指示微调（Prompt-tuning）篇
      • 4.3.2.1 什么是 指示微调（Prompt-tuning）？
      • 4.3.2.2 指示微调（Prompt-tuning）的核心思想？
      • 4.3.2.3 指示微调（Prompt-tuning）的 优点/贡献 是什么？
      • 4.3.2.4 指示微调（Prompt-tuning）的 缺点 是什么？
      • 4.3.2.5 指示微调（Prompt-tuning）与 Prefix-tuning 区别 是什么？
      • 4.3.2.6 指示微调（Prompt-tuning）与 fine-tuning 区别 是什么？
    • 4.3.3 P-tuning 篇
      • 4.3.3.1 P-tuning 动机是什么？
      • 4.3.3.2 P-tuning 核心思想是什么？
      • 4.3.3.3 P-tuning 做了哪些改进？
      • 4.3.3.4 P-tuning 有哪些优点/贡献？
      • 4.3.3.5 P-tuning 有哪些缺点？
    • 4.3.4 P-tuning v2 篇
      • 4.3.4.1 为什么需要 P-tuning v2？
      • 4.3.4.2 P-tuning v2 是什么？
      • 4.3.4.3 P-tuning v2 有哪些优点？
      • 4.3.4.4 P-tuning v2 有哪些缺点？
    • 4.3.5 PPT 篇
      • 4.3.5.1 为什么需要 PPT ？
      • 4.3.5.2 PPT 核心思想 是什么？
      • 4.3.5.3 PPT 具体做法是怎么样？
      • 4.3.5.4 常用的soft prompt初始化方法？
      • 4.3.5.5 PPT 的优点是什么？
      • 4.3.5.6 PPT 的缺点是什么？
  • 4.4 提示学习（Prompting） 优点 是什么？
  • 4.5 提示学习（Prompting） 本质 是什么？
• 五、指令微调（Instruct-tuning）篇
  • 5.1 为什么需要 指令微调（Instruct-tuning）？
  • 5.2 指令微调（Instruct-tuning）是什么？
  • 5.3 指令微调（Instruct-tuning）的优点是什么？
  • 5.4 指令微调（Instruct-tuning） vs 提升学习（Prompting）？
  • 5.5 指令微调（Instruct-tuning） vs 提升学习（Prompting） vs Fine-tuning？
• 六、指令提示微调（Instruct Prompt tuning）篇
  • 6.1 为什么需要 指令微调（Instruct-tuning）？
  • 6.2 指令微调（Instruct-tuning） 是什么？
  • 6.3 指令微调（Instruct-tuning） 在不同任务上性能？
• 七、self-instruct篇
  • 7.1 什么是 self-instruct？
• 八、Chain-of-Thought 篇
  • 8.1 为什么需要 Chain-of-Thought ？
  • 8.2 什么是 Chain-of-Thought ？
  • 8.3 Chain-of-Thought 的思路是怎么样的？
  • 8.4 Chain-of-Thought 的优点是什么？
  • 8.5 为什么 chain-of-thought 会成功？
• 九、LoRA 篇
• • 9.1 LoRA 篇
    • 9.1.1 LoRA 核心思想是什么？
    • 9.1.2 LoRA 具体思路是什么？
    • 9.1.3 LoRA 优点是什么？
    • 9.1.4 LoRA 缺点是什么？
  • 9.2 AdaLoRA 篇
    • 9.2.1 AdaLoRA 核心思想是什么？
    • 9.2.2 AdaLoRA 实现思路是什么？
  • 9.3 DyLoRA 篇
    • 9.3.1 AdaLoRA 动机是什么？
    • 9.3.2 AdaLoRA 核心思想是什么？
    • 9.3.3 AdaLoRA 优点是什么？
• 十、BitFit 篇
  • 10.1 AdaLoRA 核心思想是什么？
  • 10.2 AdaLoRA 优点是什么？
  • 10.3 AdaLoRA 缺点是什么？

---