常见的面试问题————NLP篇（持续更新）

原创 2026-03-25 14:13:49 6.2k 阅读 AI写同款

收录于

面试问题

烟雨人长安

码龄10年墨衍会员 · AI 创作全网分发

871粉丝53篇原创

关注

AI摘要

本文系统梳理NLP领域高频面试知识点，涵盖词向量（Word2Vec/CBOW/Skip-gram/GloVe/FastText）、预训练模型（BERT/ELMo/GPT/ALBERT/XLNet）、注意力机制（Self-Attention/Multi-head/Positional Encoding）、Transformer架构细节（LayerNorm/Residual/Dropout）、经典序列建模（HMM/CRF/BiLSTM-CRF）及前沿方向（LoRA/DPO/Prompt Tuning/Flash Attention/MoE），重点解析原理、对比差异、缺陷成因与工程优化策略。

Word2Vec 的原理，使用的技巧？ https://mp.weixin.qq.com/s/lerKdFXkhqQaaVl4BGgblA
Word2Vec 的多层 softmax 是怎么实现的，思路是怎样的，损失函数变化 nlp中的词向量对比：word2vec/glove/fastText/elmo/GPT/bert - 知乎
Word2vec的损失函数 10.2. 近似训练 — 《动手学深度学习》文档（当简历上没什么项目和实习的时候，面试官就喜欢问Word2vec，非常的无聊）
为什么基于 skip-gram 的 word2vec 在低频词汇相比 cbow 更有效？为什么会好？word2vec模型cbow与skip-gram的比较
Word2Vec 怎么将得到的词向量变成句子向量，以及怎么衡量得到词向量的好坏Word2Vec 怎么将得到的词向量变成句子向量，以及怎么衡量得到词向量的好坏_Matrix_cc的博客-优快云博客
Word2vec为什么会有用？word2vec本质是把相似的词或者上下文相近的词映射到几乎是同一个点，所以语义相近的词的weight是接近的，那样做下游任务比随机初始化的词向量要好
word2vec的缺点是什么？1、结构太简单，无法更好地学习句法知识和语义知识。2、没办法解决OOV 。3、没法解决词语顺序的问题。4、没法解决一词多义的问题
层次softmax为什么要以词频构建二叉树 Word Embedding的hierarchical softmax为什么要选择依靠词频建立二叉树？ - 知乎
负采样的是如何带权采样的，为什么负采样权重开 3/4 次幂？为什么Word2Vec训练中, 需要对负采样权重开3/4次幂？ - 知乎
负采样的负样本和层次softmax的负样本有什么不一样？负采样的负样本的个数是固定的，层次softmax的负样本是不均衡的，词频高的词里根节点接近，采样到的负样本就比较少，低频词采样的负样本就比较多。
fasttext 、word2vec、glove、elmo、bert、GPT、xlnet 的区别，fasttext相比于 word2vec 有什么优势，它是怎么做分类的
textcnn 原理,为什么选择用2,3,4不同尺寸的卷积核
BiLSTM+Attention 是怎么分类的 深度学习算法原理——Attention-Based BiLSTM_null的专栏-优快云博客

Transformer的结构，multi-head Attention 的作用

Ps. pytorch手动实现一下multi-head

import torch
import torch.nn as nn

class MultiHeadAttention(nn.Module):
    def __init__(self, d_model, num_heads):
        super(MultiHeadAttention, self).__init__()
        assert d_model % num_heads == 0
        
        self.d_model = d_model
        self.num_heads = num_heads
        self.head_dim = d_model // num_heads
        
        # 定义线性变换层，用于将d_model维度映射到num_heads * head_dim
        self.q_linear = nn.Linear(d_model, d_model)
        self.k_linear = nn.Linear(d_model, d_model)
        self.v_linear = nn.Linear(d_model, d_model)
        
        # 输出层，将num_heads * head_dim映射回d_model
        self.out_linear = nn.Linear(d_model, d_model)
        
        self.dropout = nn.Dropout(0.1)

    def forward(self, query, key, value, mask=None):
        """
        Args:
            query: (batch_size, query_len, d_model)
            key: (batch_size, key_len, d_model)
            value: (batch_size, value_len, d_model)
            mask: 可选，用于遮盖padding部分或后续序列的位置 (batch_size, query_len, key_len)
        """
        batch_size = query.size(0)
        
        # 线性变换
        q = self.q_linear(query)  # (batch_size, query_len, d_model)
        k = self.k_linear(key)    # (batch_size, key_len, d_model)
        v = self.v_linear(value)  # (batch_size, value_len, d_model)
        
        # 将d_model分割成num_heads个头
        q = q.view(batch_size, -1, self.num_heads, self.head_dim).transpose(1, 2)  # (batch_size, num_heads, query_len, head_dim)
        k = k.view(batch_size, -1, self.num_heads, self.head_dim).transpose(1, 2)  # (batch_size, num_heads, key_len, head_dim)
        v = v.view(batch_size, -1, self.num_heads, self.head_dim).transpose(1, 2)  # (batch_size, num_heads, value_len, head_dim)
        
        # 计算注意力得分
        scores = torch.matmul(q, k.transpose(-2, -1)) / math.sqrt(self.head_dim)  # (batch_size, num_heads, query_len, key_len)
        
        # 应用mask
        if mask is not None:
            scores = scores.masked_fill(mask == 0, float('-inf'))
        
        # 计算注意力权重
        attn_weights = torch.softmax(scores, dim=-1)
        attn_weights = self.dropout(attn_weights)
        
        # 加权求和得到输出
        context = torch.matmul(attn_weights, v)  # (batch_size, num_heads, query_len, head_dim)
        
        # 合并多头并进行线性变换
        context = context.transpose(1, 2).contiguous().view(batch_size, -1, self.d_model)  # (batch_size, query_len, d_model)
        output = self.out_linear(context)  # (batch_size, query_len, d_model)
        
        return output, attn_weights

# 示例使用
mha = MultiHeadAttention(d_model=512, num_heads=8)
query = torch.randn(10, 32, 512)  # 假设输入
key = value = query  # 为了简化示例，假设query、key、value相同
output, attn = mha(query, key, value)
print(output.shape)  # 应输出 (10, 32, 512)

Transformer中Multi-head Attention的作用_Matrix_cc的博客-优快云博客【NLP】Transformer详解

Transformer中的decoder部分mask multi head的Q，K，V都是来自decoder，在上面的cross attention，Q来自decoder，K和V来自encoder
Transformer的位置编码和bert的位置编码的区别，为什么要加位置编码？Transformer的位置编码是人为定义，bert是自己学习的，像word Embedding一样在训练中学习到它的词序信息。因为传统LSTM的模型自带词序信息，而Transformer不带词序信息，所以需要加上位置编码。
Transformer里self-attention 中词向量不乘 QKV 参数矩阵，会有什么问题？
Self-Attention 的核心是用文本中的其它词来增强目标词的语义表示，从而更好的利用上下文的信息。self-attention 中，sequence 中的每个词都会和 sequence 中的每个词做点积去计算相似度，也包括这个词本身。如果不乘 QKV 参数矩阵，那这个词对应的 q,k,v 就是完全一样的。在相同量级的情况下，qi 与 ki 点积的值会是最大的（可以从 “两数和相同的情况下，两数相等对应的积最大” 类比过来）。那在 softmax 后的加权平均中，该词本身所占的比重将会是最大的，使得其他词的比重很少，无法有效利用上下文信息来增强当前词的语义表示。而乘以 QKV 参数矩阵，会使得每个词的 q,k,v 都不一样，能很大程度上减轻上述的影响。
Transformer的残差作用：减少梯度消失和梯度爆炸的问题，同时能解决退化问题。退化问题是指：当网络隐藏层变多时，网络的准确度达到饱和然后急剧退化，而且这个退化不是由于过拟合引起的。
Transformer 怎么解决长文本问题？
Transformer是postnorm还是prenorm？pre norm就是在残差前norm，x+F(Norm(x))，这样残差的效果更强，训练计算量更低，但是会削弱模型深度带来的增益。post norm就是正常bert用的，在残差后面加，Norm(x+F(x))，深度带来的效果更明显，但是计算量会更大，目前post norm认为更适合
Transformer里使用的是LN还是BN Ps. LN的原理，pytorch手动实现一下
Transformer为什么要用LN，而不是BN transformer 为什么使用 layer normalization，而不是其他的归一化方法？ - 知乎
Transformer 模型中 dropout 主要用在哪里？在每一Multi-Head Attention之后，Add&Norm之前进行dropout，以及add(token embedding,positional encoding)之后进行dropout
self-attention里为什么要除以根号d? 为什么不除以dk？为了降低 Q*K 的数值，防止它落入到 softmax 函数的饱和区间。因为 softmax 函数的饱和区梯度几乎为 0，容易发生梯度消失。如果除以 dₖ 会过度缩放，导致信息丢失。除以dk保证方差为1，方差为1是为了保持信号在神经网络中稳定传播，避免梯度爆炸或消失
Transformer为什么表现的比LSTM和CNN好？为什么transformer比RNN和LSTM更好？_None_Pan的博客-优快云博客_transformer比lstm好吗
BERT为什么表现好 一起读论文 | 为什么BERT会在许多NLP任务中表现得很好？_语言智能技术笔记簿-优快云博客 1、预训练数据较大和使用两种预训练的方式2、使用的模型结构较LSTM和CNN较好 3、模型层数深
BERT的三个embedding为什么可以想加？答案
BERT的缺点：1、无法解决长文本问题 2、输入噪声 [MASK]，造成预训练 - 精调两阶段之间的差异 3、生成任务表现不佳：预训练过程和生成过程的不一致，导致在生成任务上效果不佳 4、位置编码使用绝对编码后BERT时代：15个预训练模型对比分析与关键点探索（附链接） | 机器之心
Bert里的mask机制？是随机 mask 语料中 15% 的 token，其中80% 的单词用 [MASK] token 来代替，10% 单词用任意的词来进行代替，10% 单词不变。
BERT为什么要保持10% 单词不变，10%的单词用任意的词代替？
bert里的mask和word2vec里的CBOW的区别？
相同点：CBOW 的核心思想是，给定上下文，根据它的上文 context-before 和下文 context-after 去预测 input word。Bert 本质上也是如此。

不同点：首先，在 CBOW 中，每个单词会称为 input word，而 Bert 中只有 15% 的词会称为 input word。其次，对于数据输入部分，CBOW 中的输入数据只有待预测单词的上下文，而 Bert 的输入是带有 [MASK] token 的 “完整” 句子，也就是说 Bert 在输入端将待预测的 input word 用 [MASK] token 代替了。

另外，通过 CBOW 模型训练后，每个单词的 word embedding 是唯一的，因此并不能很好的处理一词多异的问题；而 Bert 模型得到的 word embedding （token embedding）融合了上下文信息，就算是同一个单词，在不同的上下文环境下，得到的 word embedding 是不一样的。
BERT为什么用字粒度而不是用词粒度？因为在做MLM预训练任务时，最后预测单词是用softmax进行预测。使用字粒度的话，总字数大概在2w左右，而使用词粒度的话，则有十几万个词，在训练时显存会爆炸。
BERT不同层针对NLP的什么任务？ POS、成分分析、DEPS、Entities、SRL、COREF、关系分类，从上到下，越往下这个任务越需要偏向高层语义的知识才能解决好。POS 词性标注是简单任务，偏向表层特征，关系分类则是纯语义的任务，不理解语义便无法很好的解决任务，从上到下逐渐趋向语义任务。张俊林：BERT和Transformer到底学到了什么 | AI ProCon 2019 - 云+社区 - 腾讯云
HMM 和 CRF 的原理和区别，其中维特比算法的复杂度区别：
1.HMM 是生成模型，CRF 是判别模型

2.HMM 是概率有向图，CRF 是概率无向图

3.HMM 求解过程可能是局部最优，CRF 可以全局最优

4.HMM是做的马尔科夫假设，而CRF是马尔科夫性，因为马尔科夫性是是保证或者判断概率图是否为概率无向图的条件、
HMM原理：三个问题：1、概率计算问题：前向—后向算法给定模型 λ=(A,B,π) 和观测序列 Q={q1,q2,...,qT}，计算模型 λ 下观测到序列 Q 出现的概率 P (Q|λ)；2、学习问题：Baum-Welch 算法 (状态未知) 已知观测序列 Q={q1,q2,...,qT}，估计模型 λ=(A,B,π) 的参数，使得在该模型下观测序列 P (Q|λ) 最大 3、预测问题：Viterbi 算法 给定模型 λ=(A,B,π) 和观测序列 Q={q1,q2,...,qT}，求给定观测序列条件概率 P (I|Q，λ) 最大的状态序列 I。
CRF原理：https://applenob.github.io/machine_learning/CRF/
BiLSTM+CRF模型中，CRF层的作用？1、CRF 层可以为最后预测的标签添加一些约束来保证预测的标签是合法的。在训练数据训练过程中，这些约束可以通过 CRF 层自动学习到的。2、CRF 中有转移特征，即它会考虑输出标签之间的顺序性，也会学习一些约束规则 BiLSTM-CRF中CRF层的作用 - 程序员大本营
Albert里的SOP为什么会有效？

ALBERT 认为，NSP (下一个句子预测) 将话题预测和连贯预测混为一谈。作为参考，NSP 使用了两个句子 —— 正样本匹配是第二个句子来自同一个文档，负样本匹配是第二个句子来自另一个文档。相比之下，ALBERT 的作者认为句子间的连贯是真正需要关注的任务 / 损失，而不是主题预测，因此 SOP 是这样做的:

使用了两个句子，都来自同一个文档。正样本测试用例是这两句话的顺序是正确的。负样本是两个句子的顺序颠倒。
bert 里 add&norm 是什么以及作用
local attention 和 global attention 的区别：一文看懂 Attention（本质原理+3大优点+5大类型） - 产品经理的人工智能学习库
Attention的理解和它的优缺点：Attention即从大量的信息中选择出少量的重要信息，并聚焦到这些重要信息上，忽略大多不重要的信息。权重越大越聚焦于其对应的 Value 值上，即权重代表了信息的重要性，而 Value 是其对应的信息。优点：
参数少

模型复杂度跟 CNN、RNN 相比，复杂度更小，参数也更少。所以对算力的要求也就更小。

速度快

Attention 解决了 RNN 不能并行计算的问题。Attention 机制每一步计算不依赖于上一步的计算结果，因此可以和 CNN 一样并行处理。

效果好

在 Attention 机制引入之前，有一个问题大家一直很苦恼：长距离的信息会被弱化，就好像记忆能力弱的人，记不住过去的事情是一样的。
缺点：没法捕捉位置信息，即没法学习序列中的顺序关系。这点可以通过加入位置信息，如通过位置向量来改善
Bahdanau 和 Luong 两种 Attention 机制的区别：一文看懂 Bahdanau 和 Luong 两种 Attention 机制的区别 - 知乎
graph embedding 的原理
TF-IDF 的原理 TF-IDF原理及使用_一路风景-优快云博客_tfidf
n-gram原理及有哪些平滑处理 自然语言处理NLP中的N-gram模型_songbinxu的博客-优快云博客_n-gram
解决OOV的方法: NLP 研究主流目前如何处理 out of vocabulary words？
词向量的降维
nlp 分词技术有哪些，如何分的
nlp有哪些数据增强的方法 自然语言处理中一些常用的数据增强的方式_Matrix_cc的博客-优快云博客
文本预处理的方法有哪些
大模型相关面试 https://zhuanlan.zhihu.com/p/643560888
大模型教程 大模型教程
Prompt系列调参原理 PEFT | Prompt系列高效调参原理解析
chatGLM、LLAMA原理
序列太长为什么是问题，对应的解决方案是什么？
Agent听说过？ CoT听说过？ SFT数据配比，DPO原理，PPO原理，后续有哪些改进
GPT模型是怎么解决 decoder串行训练效率低下的问题
GPT模型的损失函数是什么，跟SFT过程有差异吗，具体的前向过程是什么样的
page attention、flash attention原理
LoRA原理、QLoRA原理，两者区别
pre-norm、post-norm改善了什么问题
dpo、ppo原理
dpo 怎么解决分布漂移的问题，ppo优势函数如何计算
moe专家网络怎么解决不均衡的问题