4月22日-5月7日腾讯nlp算法实习面试题 ( 上 )

问题1：
介绍下word2vec，有哪两种实现，可以用什么方法提高性能，分层softmax介绍一下原理，负采样怎么做,，负采样和原始做法的优缺点比较。

在进行最优化的求解过程中，从隐藏层到输出的softmax层放入计算量很大，因为要计算所有词的softmax概率，再去找概率最大的值，可以使用层次softmax和负采样两种方法；

层次softmax采用对输出层进行优化的策略，输出层从原始模型利用softmax计算概率值改为利用huffman树进行计算概率值，其优点：由于是二叉树，之前计算量为V，现在变为了logV；由于使用Huffman树是高频的词靠近树根，这样高频词需要更少的时间被找到，符合贪心优化思想；其缺点：如果训练样本中的中心词w是一个很生僻的词，那么就需要在Huffman树中向下走很久。

负采样过程：比如我们有一个训练样本，中心词是w,它周围上下文共有2c个词，记为context(w)。由于这个中心词w和context(w)相关存在，因此它是一个真实的正例。通过Negative Sampling采样，我们得到neg个和w不同的中心词wi,i=1,2,…neg，这样context(w)和wi就组成了neg个并不真实存在的负例。利用这一个正例和neg个负例，我们进行二元逻辑回归，得到负采样对应每个词wi对应的模型参数θi，和每个词的词向量。

负采样相比原始做法：每次只需要更新采样的词的权重，不需要更新所有词的权重，可以减少了训练过程的计算负担，加速模型的计算，另一方面也可以保证模型训练的效果，提高了其结果词向量的质量。


问题2：
介绍LSTM和GRU有什么不同？

（1）LSTM和GRU的性能在很多任务上不分伯仲；
（2）GRU参数更少，因此更容易收敛，但是在大数据集的情况下，LSTM性能表现更好；
（3）从结构上说，GRU只有两个门，LSTM有三个门，GRU直接将hidden
state传给下一个单元，而LSTM则用memory cell把hidden state包装起来。


问题3：介绍一下LSTM单元里面的运算过程。




问题4：CRF的损失函数是什么，具体怎么算？

在训练过程中，CRF损失函数只需要两个分数：真实路径的分数和所有可能路径的总分数。所有可能路径的分数中，真实路径分数所占的比例会逐渐增加。
损失函数：
实际路径得分：



问题5：transformer介绍一下原理，transformer为什么可以并行，它的计算代价瓶颈在哪？多头注意力机制计算过程？



问题6：BERT介绍一下原理，怎么用BERT计算文本相似度，有哪两种计算方法？


问题7：transformer里自注意力机制的计算过程，为什么要进行缩放，为什么要用多头？

本文素材来源于七月在线社区面试题，关注公号，获取更多面试资料。

AI充电季


点击「阅读原文」，了解活动详情！