NLP常见面试题，必知必答系列大全：（面试问题持续更新）

本文链接：https://blog.youkuaiyun.com/python12222_/article/details/143306439

1.1 信息抽取常见面试篇

1.1.1 命名实体识别常见面试篇

隐马尔科夫算法 HMM 常见面试篇
- 3.1 隐马尔科夫算法介绍篇
- 3.2 隐马尔科夫算法模型计算过程篇
- 3.3 隐马尔科夫算法问题篇
- 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？
- 3.2.1 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？
- 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？
- 1.1 什么是概率图模型？
- 1.2 什么是随机场？
- 一、基础信息介绍篇
- 二、马尔可夫过程介绍篇
- 三、隐马尔科夫算法篇
最大熵马尔科夫模型 MEMM 常见面试篇
- 4.1 最大熵马尔科夫模型（MEMM）动机篇
- 4.2 最大熵马尔科夫模型（MEMM）介绍篇
- 4.3 最大熵马尔科夫模型（MEMM）问题篇
- 4.1.1 HMM 存在什么问题？
- 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？
- 四、最大熵马尔科夫模型（MEMM）篇

条件随机场（CRF）常见面试篇

五、条件随机场（CRF）篇
- 5.3.1 CRF 的优点在哪里？
- 5.3.2 CRF 的缺点在哪里？
- 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？
- 5.1.1 HMM 和 MEMM 存在什么问题？
- 5.1 CRF 动机篇
- 5.2 CRF 介绍篇
- 5.3 CRF 优缺点篇
- 5.4 CRF 复现？
六、对比篇
- 6.1 CRF 模型和 HMM 和 MEMM 模型区别？
DNN-CRF 常见面试篇
- 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？
- 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
- 3.5 标签解码器篇
- 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
- 3.4.1.1 什么是 BiLSTM-CRF？
- 3.4.1.2 为什么要用 BiLSTM？
- 3.4.1 BiLSTM-CRF 篇
- 3.4.2 IDCNN-CRF 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？
- 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？
- 1.1 命名实体识别评价指标是什么？
- 一、基本信息
- 二、传统的命名实体识别方法
- 三、基于深度学习的命名实体识别方法
- 四、对比篇
中文领域 NER 常见面试篇
- 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 ？
- 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
- 2.5 Adaptive Embedding 范式
- 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？
- 2.5.1 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？
- 1.1 中文命名实体识别与英文命名实体识别的区别？
- 一、动机篇
- 二、词汇增强篇
- 三、词汇 / 实体类型信息增强篇
命名实体识别 trick 常见面试篇
- 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 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
- 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？

1.1.2 关系抽取常见面试篇

关系抽取常见面试篇
- 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？
- 3.4 文档级关系抽取常见数据集有哪些以及其评估方法？
- 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？
- 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？
- 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？
- 一、动机篇
- 二、经典关系抽取篇
- 三、文档级关系抽取篇

1.1.3 事件抽取常见面试篇

事件抽取常见面试篇
- 7.1 事件抽取论文综述
- 7.2 事件抽取常见问题
- 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？
- 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？
- 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?
- 2.1 触发词检测
- 2.2 类型识别
- 2.3 角色识别
- 2.4 论元检测
- 2.1.1 什么是触发词检测？
- 2.1.2 触发词检测有哪些方法？
- 2.2.1 什么是类型识别？
- 2.2.2 类型识别有哪些方法？
- 2.3.1 什么是角色识别？
- 2.3.2 角色识别有哪些方法？
- 2.4.1 什么是论元检测？
- 2.4.2 论元检测有哪些方法？
- 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？
- 一、原理篇
- 二、基本任务篇
- 三、常见方法篇
- 四、数据集及评价指标篇
- 五、对比篇
- 六、应用篇
- 七、拓展篇

1.2 NLP 预训练算法常见面试篇

【关于 TF-idf】
- 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？
- 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?
- 一、one-hot 篇
- 二、TF-IDF 篇
关于 word2vec
- 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？
- 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？
- 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？
- 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？
- 一、Wordvec 介绍篇
- 二、Wordvec 优化篇
- 三、Wordvec 对比篇
- 四、word2vec 实战篇
【关于 FastText】
- 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？
- 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?
- 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？
- 一、fastText 动机篇
- 二、词内的 n-gram 信息 (subword n-gram information) 介绍篇
- 三、层次化 Softmax 回归 (Hierarchical Softmax) 介绍篇
- 四、fastText 存在问题？
【关于 Elmo】
- 3.1 Elmo 存在的问题是什么？
- 2.1 Elmo 的特点？
- 2.2 Elmo 的思想是什么？
- 1.1 为什么会有 Elmo？
- 一、Elmo 动机篇
- 二、Elmo 介绍篇
- 三、Elmo 问题篇

1.3 Bert 常见面试篇

Bert 常见面试篇
- 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）
- 2.1 Bert 介绍篇
- 2.2 Bert 输入输出表征篇
- 2.3 【BERT】Bert 预训练篇
- 2.4 【BERT】 fine-turning 篇？
- 2.5 【BERT】 Bert 损失函数篇？
- 2.1.1【BERT】Bert 是什么?
- 2.1.2【BERT】Bert 三个关键点？
- 2.2.1 【BERT】Bert 输入输出表征长啥样？
- 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？
- 2.3.2.1 【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？
- 2.3.1 【BERT】Bert 预训练任务介绍
- 2.3.2 【BERT】Bert 预训练任务之 Masked LM 篇
- 2.3.3 【BERT】Bert 预训练任务之 Next Sentence Prediction 篇
- 2.4.1 【BERT】为什么 Bert 需要 fine-turning？
- 2.4.2 【BERT】 Bert 如何 fine-turning？
- 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)？
- 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?
- 一、动机篇
- 二、Bert 篇
- 三、对比篇？

1.3.1 Bert 模型压缩常见面试篇

Bert 模型压缩常见面试篇
- 3.1 Bert 模型压缩方法之低秩因式分解 & 跨层参数共享
- 3.2 Bert 模型压缩方法之蒸馏
- 3.3 Bert 模型压缩方法之量化
- 3.4 Bert 模型压缩方法之剪枝
- 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？
- 3.2.1 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？
- 3.3.1 什么是量化？
- 3.3.2 Q-BERT: Hessian Based Ultra Low Precision Quantization of BERT 【量化】
- 3.4.1 什么是剪枝？
- 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
- 四、模型压缩存在问题？

1.3.2 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？

1.4 文本分类常见面试篇

文本分类常见面试篇
- 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？
- 5.1 激活函数 sigmoid 篇
- 5.2 激活函数 softmax 篇
- 5.3 分类问题使用的损失函数还有有哪些？
- 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？
- 5.2.1 softmax 函数是什么？
- 5.2.2 softmax 函数怎么求导？
- 4.1 fastText 篇
- 4.2 TextCNN 篇
- 4.3 DPCNN 篇
- 4.4 TextRCNN 篇
- 4.5 RNN+Attention 篇
- 4.6 GNN 图神经网络篇
- 4.7 Transformer 篇
- 4.8 预训练模型篇
- 4.1.1 fastText 的分类过程？
- 4.1.2 fastText 的优点？
- 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？
- 4.3.1 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？
- 4.4.1 简要介绍 TextRCNN 相较于 TextCNN 的改进？
- 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？
- 4.6.1 GNN 图神经网络如何应用于文本分类领域？
- 4.7.1 基于 Transformer 的预训练模型如何应用于文本分类领域？
- 4.8.1 你了解哪些预训练模型？它们的特点是什么？
- 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
- 3.5 主题建模篇
- 3.6 文本相似度篇
- 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？
- 3.5.1 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
- 3.6.1 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？
- 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？
- 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？
- 一、抽象命题
- 二、数据预处理
- 三、特征提取
- 四、模型篇
- 五、损失函数
- 六、模型评估和算法比较
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？

1.5 文本匹配常见面试篇

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？
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

1.6 问答系统常见面试篇

1.6.1 [FAQ 检索式问答系统常见面试篇]

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
- 3.2.1 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？
- 3.1 常用方案有哪些？
- 3.2 为什么 QQ 匹配比较常用？
- 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？

1.6.2 问答系统工具篇常见面试篇

Faiss 常见面试篇
- 4.1 sklearn cosine_similarity 和 Faiss 哪家强
- 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？
- 3.4 Faiss 然后使用 GPU？
- 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
- 2.1 什么是 Faiss ？
- 2.2 Faiss 如何使用？
- 2.3 Faiss 原理与核心算法
- 1.1 传统的相似度算法所存在的问题？
- 一、动机篇
- 二、介绍篇
- 三、Faiss 实战篇
- 四、 Faiss 对比篇

[milvus、PG 等数据库同理]

1.7 对话系统常见面试篇

对话系统常见面试篇
- 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
- 3.4 任务型对话系统 DST（对话状态跟踪）篇
- 3.5 任务型对话系统 DPO（对话策略学习）篇
- 3.6 任务型对话系统 NLG（自然语言生成）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？
- 3.4.1 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？
- 3.5.1 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？
- 3.6.1 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？
- 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？
- 1.1 对话系统有哪几种？
- 1.2 这几种对话系统的区别？
- 一、对话系统介绍篇
- 二、多轮对话系统介绍篇
- 三、任务型对话系统介绍篇

1.8 知识图谱常见面试篇

1.8.1 [知识图谱常见面试篇]

一、知识图谱简介
- 1.2.1 什么是图（Graph）呢？
- 1.2.2 什么是 Schema 呢？
- 1.1 引言
- 1.2 什么是知识图谱呢？
- 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？
- 2.4.1 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）
- 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？
三、知识图谱怎么存储？
四、知识图谱可以做什么？

1.8.2 [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?

1.8.3 [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

Nebula、Tugraph 同理

1.9 [文本摘要常见面试篇]

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
- 2.1.1 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？
- 2.1 抽取式摘要是怎么做的？
- 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？

1.10 [文本纠错篇常见面试篇]

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？

1.11 [文本摘要常见面试篇]

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
- 2.1.1 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？
- 2.1 抽取式摘要是怎么做的？
- 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？

1.12 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？

深度学习算法篇常见面试篇

2.1 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？

2.2 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？

2.3 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
- 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
- 2.1 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？
- 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？

2.4 生成对抗网络 GAN 常见面试篇

一、动机
二、介绍篇
- 2.2.1 GAN 的基本结构
- 2.2.2 GAN 的基本思想
- 2.1 GAN 的基本思想
- 2.2 GAN 基本介绍
三、训练篇
- 3.1 生成器介绍
- 3.2 判别器介绍
- 3.3 训练过程
- 3.4 训练所涉及相关理论基础
四、总结

2.5 Transformer 常见面试篇

[Transformer 常见面试篇]
- 3.1 self-attention 模块
- 3.2 multi-head attention 模块
- 3.3 位置编码（Position encoding）模块
- 3.4 残差模块模块
- 3.5 Layer normalization 模块
- 3.6 Mask 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 \sqrt{d} 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？
- 3.2.1 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
- 3.3.1 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
- 3.4.1 为什么要加入残差模块？
- 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
- 3.6.1 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？
- 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?
- 1.1 为什么要有 Transformer?
- 1.2 Transformer 作用是什么？
- 一、动机篇
- 二、整体结构篇
- 三、模块篇

2.6 关于 Transformer 问题及改进

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？
- 2.1.1 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？
- 2.1 问题一：Transformer 不能很好的处理超长输入问题
- 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；

3.NLP 技巧面

3.1 少样本问题面

3.1.1 [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
- 2.8.1 什么是对抗增强？
- 2.7.1 什么是语法树操作？
- 2.6.1 什么是交叉增强篇
- 2.5.1 什么是回译法？
- 2.4.1 什么是随机删除法？
- 2.3.1 什么是随机交换法？
- 2.2.1 什么是随机插入法？
- 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？
- 2.1 词汇替换篇
- 2.2 词汇插入篇
- 2.3 词汇交换篇
- 2.4 词汇删除篇
- 2.5 回译篇
- 2.6 交叉增强篇
- 2.7 语法树篇
- 2.8 对抗增强篇

3.1.2 [主动学习面试篇]

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
- 3.2.1 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）
- 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

3.1.3 [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）

3.2 [“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
- 2.2.1 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？
- 2.1 “脏数据” 怎么处理呢？
- 2.2 置信学习方法篇

点击查看答案

3.3 [batch_size 设置面试篇]

一、训练模型时，batch_size 的设置，学习率的设置?
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？

3.5 [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？

3.6 Bert Trick 面试篇

3.6.1 [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？

3.6.2 [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？

3.6.3 [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？

3.6.4 [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?

Prompt Tuning 面试篇

4.1 [Prompt 面试篇]

什么是 prompt？
如何设计 prompt？
prompt 进阶——如何自动学习 prompt？
Prompt 有哪些关键要点？
Prompt 如何实现？

4.2 [Prompt 文本生成面试篇]

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

4.3 [LoRA 面试篇]

什么是 lora？
lora 是怎么做的呢？
lora 为什么可以这样做？
用一句话描述 lora？
lora 优点是什么？
lora 缺点是什么？
lora 如何实现？

4.4 [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
- 4.3.1 前缀微调（Prefix-tining）篇
- 4.3.2 指示微调（Prompt-tuning）篇
- 4.3.3 P-tuning 篇
- 4.3.4 P-tuning v2 篇
- 4.3.5 PPT 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？
- 4.3.2.1 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？
- 4.3.3.1 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？
- 4.3.4.1 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？
- 4.3.5.1 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？
- 4.1 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？
- 4.4 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
- 9.3.1 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？
- 9.2.1 AdaLoRA 核心思想是什么？
- 9.2.2 AdaLoRA 实现思路是什么？
- 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？
- 9.1 LoRA 篇
- 9.2 AdaLoRA 篇
- 9.3 DyLoRA 篇
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？