某公司自然语言处理算法笔试题

1 请列出几种文本特征提取算法

答：文档频率、信息增益、互信息、X^2统计、TF-IDF

2 简述几种自然语言处理开源工具包

答：LingPipe、FudanNLP、OpenNLP、CRF++、Standord CoreNLP、IKAnalyzer

3 简述无监督和有监督算法的区别

答：
（1）有监督学习：对具有概念标记（分类）的训练样本进行学习，以尽可能对训练样本集外的数据进行标记（分类）预测。这里，所有的标记（分类）是已知的。因此，训练样本的岐义性低。
无监督学习：对没有概念标记（分类）的训练样本进行学习，以发现训练样本集中的结构性知识。这里，所有的标记（分类）是未知的。因此，训练样本的岐义性高。聚类就是典型的无监督学习
（2）有监督学习的样本全部带标记，无监督学习的样本全部不带标记。
PS:部分带标记的是半监督学习
（3）训练集有输入有输出是有监督，包括所有的回归算法分类算法，比如线性回归、决策树、神经网络、KNN、SVM等；训练集只有输入没有输出是无监督，包括所有的聚类算法，比如k-means 、PCA、 GMM等

4 请简述几种熟悉的分类算法

答：kNN，kMeans，决策树，随机森林等

5 以下代码是Java实现中文分词，请简述分词过程

public class SplitChineseCharacter {
    public static void main(String[] args) {
        String input = "太好了，今天是星期六啊";
        new Split(input).start();
    }
}

class Split {
    private String[] dictionary = {"今天", "是", "星期", "星期六"};
    private String input = null;

    public Split(String input) {
        this.input = input;
    }

    public void start() {
        String temp = null;
        System.out.println(this.input.length());
        for(int i = 0; i < this.input.length(); i++) {
            temp = this.input.substring(i);
            if(this.isInDictionay(temp)) {
                System.out.println(temp);
                this.input = this.input.replace(temp, "");
                i = - 1;
            } 
        } 

        if(null != this.input && !"".equals(this.input)) {
            this.input = this.input.substring(0, this.input.length() - 1);
            this.start();
        }
    }

    public boolean isInDictionay(String temp) {
        for(int i = 0; i < this.dictionary.length; i++) {
            if(temp.equals(this.dictionary[i])) {
                return true;
            }
        }

        return false;
    }
}

运行结果：

星期六
是
今天

更多内容请关注微信公众号