大家好，今天我总结了 100 道 NLP 高频面试题，分享给大家。

内容包含从 NLP 的基础模型到最热门的大模型，详情如下：

TF-IDF 和 机器学习

从零开始编写 TF-IDF。

什么是 TF-IDF 中的归一化？

为什么在现代需要了解 TF-IDF？如何在复杂模型中使用它？

解释朴素贝叶斯的工作原理。它可以用于什么？

支持向量机（SVM）为什么容易过拟合？

解释文本预处理的可能方法（词形还原和词干提取）。你知道哪些算法，在什么情况下使用它们？

你知道哪些文本相似性度量？

解释余弦相似度和余弦距离的区别。哪一个值可以为负？你会如何使用它们？

度量指标

用简单的词解释准确率和召回率，如果没有F1分数你会关注什么？

在什么情况下会观察到特异性变化？

什么时候看宏观，什么时候看微观指标？为什么会有加权指标？

什么是困惑度？我们可以用它来考虑什么？

什么是 BLEU 指标？

解释不同类型 ROUGE 指标的区别？

BLUE 和 ROUGE 有什么区别？

Word2Vec

解释 Word2Vec 的学习方式？损失函数是什么？什么被最大化？

你知道哪些获取嵌入的方法？什么时候各自更好？

静态嵌入和上下文嵌入有什么区别？

你知道哪两种主要的架构，哪种学习更快？

Glove、ELMO、FastText和Word2Vec有什么区别？

什么是负采样，为什么需要它？你还知道哪些Word2Vec的技巧，如何应用它们？

什么是稠密和稀疏嵌入？提供例子。

为什么嵌入的维度重要？

在短文本数据上训练 Word2Vec 时会出现什么问题，如何解决？

RNN & CNN

在一个简单的单层 RNN 中有多少训练参数？

RNN 训练是如何进行的？

RNN 中存在什么问题？

你知道哪些类型的RNN网络？解释 GRU 和 LSTM 的区别？

我们可以在这些网络中调整什么参数？（堆叠，层数）

RNN 中的梯度消失是什么？如何解决这个问题？

为什么在 NLP 中使用卷积神经网络（CNN），如何使用？如何在注意力范式中比较CNN？

注意力和 Transformer 架构

如何计算注意力？

注意力的复杂性？与RNN的复杂性比较。

比较RNN和注意力。在什么情况下使用注意力，什么时候使用RNN？

从零开始编写注意力。

解释注意力中的掩码。

自注意力矩阵的维度是多少？

BERT和GPT在注意力计算上有什么区别？

Transformer中的嵌入层维度是多少？

为什么嵌入被称为上下文的？它是如何工作的？

Transformer 中使用的是层归一化还是批归一化，为什么？

为什么 Transformer 有PreNorm和PostNorm？

解释软和硬（局部/全局）注意力的区别？

解释多头注意力。

你还知道哪些类型的注意力机制？这些修改的目的是什么？

随着头数的增加，自注意力如何变得更加复杂？

Transformer 模型类型

为什么BERT在很大程度上落后于RoBERTa，你可以从RoBERTa中学到什么？

T5和BART模型是什么？它们有何不同？

什么是任务无关模型？举例说明。

通过比较BERT、GPT和T5解释Transformer模型。

BERT、GPT等模型在知识获取方面存在什么主要问题？如何解决？

在训练和推理过程中，类似GPT的解码器是如何工作的？有何区别？

解释Transformer模型中的头和层的区别。

位置编码

为什么 Transformer 模型的嵌入中位置信息会丢失？

解释位置嵌入的方法及其优缺点。

为什么不能简单地用标记索引来添加嵌入？

为什么不训练位置嵌入？

什么是相对和绝对位置编码？

详细解释旋转位置嵌入的工作原理。

预训练

因果语言建模是如何工作的？

什么时候使用预训练模型？

如何从头开始训练一个Transformer？解释你的流程，在什么情况下会这么做？

除了BERT和GPT，你还知道哪些用于各种预训练任务的模型？

分词器

你知道哪些类型的分词器？比较它们。

你可以扩展一个分词器吗？如果可以，在什么情况下会这样做？什么时候重新训练分词器？添加新标记时需要做什么？

常规标记和特殊标记有什么区别？

为什么 Transformer 中不使用词形还原？为什么需要标记？

分词器是如何训练的？用 WordPiece 和 BPE 的例子解释。

CLS 向量的位置是什么？为什么？

BERT和GPT中分别使用了什么分词器？

现代分词器如何处理超出词汇量的单词？

分词器的词汇量大小会影响什么？在新训练的情况下如何选择？

训练

什么是类别不平衡？如何识别？列举所有解决这个问题的方法。

在推理过程中可以使用dropout吗，为什么？

Adam优化器和AdamW有什么区别？

随着梯度累积的变化，资源消耗如何变化？

如何优化训练期间的资源消耗？

你知道哪些分布式训练的方法？

什么是文本增强？列举你知道的所有方法。

为什么填充（padding）越来越少使用？用什么代替？

解释 warm-up 的工作原理。

解释梯度裁剪的概念？

teacher forcing 是如何工作的，举例说明？

为什么以及如何使用跳跃连接（skip connections）？

什么是适配器（adapters）？在哪些情况下可以使用？

解释度量学习的概念。你知道哪些方法？

推理

softmax 中的温度控制什么？你会设置什么值？

解释生成中的采样类型？top-k、top-p、核采样？

光束搜索的复杂性是什么？它是如何工作的？

什么是句子嵌入？有哪些获取方法？

大模型

LoRA 如何工作？你会如何选择参数？假设我们要微调一个大型语言模型，应用一个小R的LoRA，但模型仍然不适合内存。还能做什么？

前缀调整（prefix tuning）、p-tuning和提示调整（prompt tuning）有什么区别？

解释缩放定律（scaling law）。

解释 LLM 训练的所有阶段。哪些阶段可以省略，在什么情况下？

RAG 是如何工作的？与少样本 KNN 有什么区别？

你知道哪些量化方法？可以微调量化模型吗？

如何防止大型语言模型中的灾难性遗忘？

解释KV缓存、分组查询注意力（Grouped-Query Attention）和多查询注意力（MultiQuery Attention）的工作原理。

解释 MixTral 技术，其优缺点是什么？

Deepspeed 分布式训练是否了解，zero 0-3

技术交流&资料

技术要学会分享、交流，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。

成立了算法面试和技术交流群，相关资料、技术交流&答疑，均可加我们的交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。