本资料为2020年自然语言处理课程期末考试真题回忆版，包含试题及解析，适用于备考和复习使用。
自然语言处理是一门结合了计算机科学、人工智能及语言学的学科领域，致力于研究如何使计算机能够理解和生成人类的语言表达方式。在2020年期末考试真题中，涵盖了与自然语言处理相关的多个知识点：包括评估语言模型的方法、文本表示技术、机器学习算法的应用、信息熵概念以及数据平滑技巧等。
1. **组合型歧义**指的是由于词汇和语法结构的结合导致一个句子可能具有两种或多种不同意义的现象。
2. 支持向量机（SVM）中的目标是通过找到能够最大化两类样本间隔的超平面，来提高分类准确性。这种策略被称为最大类间界限。
3. 困惑度作为评估语言模型性能的一个重要指标，衡量的是预测下一个词的概率分布熵值大小；数值越小表示该模型对语言的理解能力更强。
4. 信息熵是量化信息不确定性的关键概念，在一个事件的信息量越大时其不确定性也越高。
5. 向量空间模型是一种将文本转换成高维向量的方法，使得相似的文档在这一空间中距离更近，便于后续处理和分析。
6. 当一个多义词出现在特定语境下可能具有多种含义时，“消歧”过程就是确定它在此情境中最准确的意义。基于字典的方法利用词汇表中的知识来辅助判断。
7. 朴素贝叶斯是一种假设特征间独立性的概率分类模型，即使是在条件概率计算中也是如此。
8. “概念属性”在文本分类或语义消解任务中可能指的是有助于区分不同类别的特性或者解释词意的元素。
9. 数据平滑技术用于解决统计建模中的稀疏问题和零频率现象，在引入了平滑参数后，可以避免出现概率为0的情况并提高模型泛化能力。
10. 生成式模型尝试学习数据背后的真实分布过程（如隐马尔可夫模型HMM），而判别式方法直接关注从输入到输出的映射关系（例如支持向量机SVM）。
11. n元语言建模技术用于识别连续n个词作为一个单元，广泛应用于中文分词任务中。
12. 生料数据指未经人工标注处理过的原始文本资料；而标记化语料则包含了各种标签如词汇性、实体等信息，常被用来训练监督学习模型。
13. 前向算法是计算隐马尔可夫模型（HMM）在给定观察序列下总体概率的重要步骤之一。
14. 文本分类的任务在于自动将文本归类到预定义的类别中。常见的方法包括朴素贝叶斯、支持向量机和基于深度学习的方法如卷积神经网络CNN以及循环神经网络RNN等。
15. 语义消歧的主要目标是确定多义词在特定上下文中的确切含义，其解决方案通常涉及有监督的学习方式（使用已标注的数据训练分类器）及利用字典资源与知识库匹配的技术。这些期末考试题目内容广泛涵盖了自然语言处理的基础理论和实践应用，对于深入学习这一领域的学生来说至关重要。
5星
