2021年7月中旬,腾讯PGB,NLP算法面试题 6道!

问题1：SVM 的 优化函数公式怎么写，代价函数是什么？

线性可分支持向量机的最优化问题函数公式：

引入拉格朗日乘子，由拉格朗日对偶性可得代价函数如下：


问题2：随机森林是怎么回事，为什么树模型好用，为什么要发明随机森林？
随机森林是一种重要的基于Bagging，进一步在决策树的训练过程中引入随机属性选择的集成学习方法，可以用来做分类、回归等问题。

随机森林的构建过程大致如下：
从原始训练集中使用Bootstraping方法随机有放回采样选出m个样本，共进行n_tree次采样，生成n_tree个训练集；
对于n_tree个训练集，我们分别训练n_tree个决策树模型；
对于单个决策树模型，假设训练样本特征的个数为n，那么每次分裂时根据信息增益/信息增益比/基尼指数选择最好的特征进行分裂；
每棵树都一直这样分裂下去，直到该节点的所有训练样例都属于同一类。在决策树的分裂过程中不需要剪枝；
将生成的多棵决策树组成随机森林。对于分类问题，按多棵树分类器投票决定最终分类结果；对于回归问题，由多棵树预测值的均值决定最终预测结果。

随机森林的优点：
具有极高的准确率；
随机性的引入，使得随机森林不容易过拟合；
随机性的引入，使得随机森林有很好的抗噪声能力；
能处理很高维度的数据，并且不用做特征选择；
既能处理离散型数据，也能处理连续型数据，数据集无需规范化；
训练速度快，可以得到变量重要性排序；
容易实现并行化。

随机森林的缺点：
当随机森林中的决策树个数很多时，训练时需要的空间和时间会较大；
随机森林模型还有许多不好解释的地方，有点算个黑盒模型。




问题3：XGBOOST相对于GDBT最大的优势是什么，XGBOOST求二阶导数的好处都有什么？
优势：加入了正则化和二阶导数。

XGBOOST求二阶导数的好处：
xgboost是在MSE基础上推导出来的，在MSE的情况下，xgboost的目标函数展开就是一阶项+二阶项的形式，而其他类似log loss这样的目标函数不能表示成这种形式。为了后续推导的统一，所以将目标函数进行二阶泰勒展开，就可以直接自定义损失函数了，只要损失函数是二阶可导的即可，增强了模型的扩展性。
二阶信息能够让梯度收敛的更快。一阶信息描述梯度变化方向，二阶信息可以描述梯度变化方向是如何变化的。

问题4：BERT是怎么分词的？
BERT主要是基于Wordpiece进行分词的，其思想是选择能够提升语言模型概率最大的相邻子词加入词表。

BERT 源码中tokenization.py就是预处理进行分词的程序，主要有两个分词器：BasicTokenizer和WordpieceTokenizer，另外一个 FullTokenizer 是这两个的结合：先进行BasicTokenizer得到一个分得比较粗的 token 列表，然后再对每个 token 进行一次WordpieceTokenizer，得到最终的分词结果。

其中BasicTokenizer完成：转unicode )-> 去除空字符、替换字符、控制字符和空白字符等奇怪字符 -> 中文分词 -> 空格分词 ->小写、去掉变音符号、标点分词；

WordpieceTokenizer大致分词思路是按照从左到右的顺序，将一个词拆分成多个子词，每个子词尽可能长。按照源码中的说法，该方法称之为 greedy longest-match-first algorithm，贪婪最长优先匹配算法。

对于中文来说，一句话概括：BERT 采取的是「分字」，即每一个汉字都切开。


问题5：Word2Vec的训练方式有哪两种？（指的是分层softmax和负采样），CBOW和SkipGram各个的优缺点都是什么？（一个计算量小，一个慢但是细致）
Word2Vec的训练方式有分层softmax和负采样。
Skip-Gram和CBOW相比，多了一层循环（2c次），所以的确是计算量大约为CBOW的2c倍。

鉴于skip-gram学习的词向量更细致，但语料库中有大量低频词时，使用skip-gram学习比较合适。

Skip-Gram模型相当于是“家教学习模式”，即一个学生请了多个家教对其进行一对一辅导。表现为每个输入的中心词（学生）从多个上下文词标签（家教老师）那里获得知识。

CBOW模型则相当于“大班教学模式”，即多个学生在一个大班老师那里上课学习，表现为每个输入的多个上下文词（多个学生）从中心词标签（大班老师）那里获得知识。


问题6：评估模型的指标都有什么，AUC和ROC具体是什么，代表了什么属性？
评估模型的指标：准确率（accuracy），召回率（Recall），AUC等。

ROC曲线是基于样本的真实类别和预测概率来画的，具体来说，ROC曲线的x轴是伪阳性率（false positive rate），y轴是真阳性率（true positive rate)。

其中：真阳性率=（真阳性的数量）/（真阳性的数量+伪阴性的数量）
伪阳性率=（伪阳性的数量）/（伪阳性的数量+真阴性的数量）

AUC是ROC曲线下面的面积，AUC可以解读为从所有正例中随机选取一个样本A，再从所有负例中随机选取一个样本B，分类器将A判为正例的概率比将B判为正例的概率大的可能性。AUC反映的是分类器对样本的排序能力。AUC越大，自然排序能力越好，即分类器将越多的正例排在负例之前。

更多请看七月在线题库里的这题：https://www.julyedu.com/question/big/kp_id/23/ques_id/1052