我要招人

人工智能面试题更新 2026-08-05

请说明在文本分类任务中，Word Embedding 的应用方式有哪些？

人工智能技术原理技术选型方案权衡GloVeTransformerWord2Vec

考察说明

考查对词向量表示及其在文本分类中应用的理解。

回答思路

  1. 【回答框架 1】Word Embedding 将离散的词语映射为低维稠密向量，通过分布式表示捕捉语义和句法信息。在文本分类中，核心是将整段文本转化为固定维度的向量表示，常见方法有平均池化、最大池化或基于 TF-IDF 加权求和。
  2. 【回答框架 2】更复杂的方法包括使用 CNN 或 RNN/LSTM 提取文本序列特征，其中预训练词向量（如 Word2Vec、GloVe）作为输入。CNN 通过卷积核捕获局部 n-gram 特征，RNN 则建模长距离依赖，最后通过全连接层和 Softmax 进行分类。
  3. 【回答框架 3】近年来，基于 Transformer 的预训练模型（如 BERT）直接采用上下文相关的词向量，能够动态调整词表示，进一步提升分类性能。但这类模型通常需要微调和更多计算资源。
  4. 【关键点 1】Word Embedding 将词映射为稠密向量，相比词袋（BoW）能更好地捕捉语义相似性。
  5. 【关键点 2】简单的池化方法（如平均、最大）可以将词向量序列聚合为文本向量，用于分类。
  6. 【关键点 3】CNN 和 RNN 可以结合词向量序列学习文本的局部和时序特征。
  7. 【关键点 4】预训练词向量（如 Word2Vec、GloVe）可作为特征输入或微调使用。
  8. 【易错点 1】直接平均词向量会忽略词序和重要词差异，可能导致性能不佳。
  9. 【易错点 2】使用预训练词向量时，若不根据任务数据微调，可能造成领域不匹配。
  10. 【易错点 3】将 Word Embedding 与 Transformer 等动态模型混淆，需要区分静态与上下文相关表示。