金山办公NLP笔试真题解析：从中文分词到文本摘要的考点全拆解

1. 试卷整体观察：金山办公NLP岗位到底在考什么

拿到这份2020年金山办公校招NLP工程师笔试题的时候，我第一反应是：这公司招NLP的人，是真拿来干活的。金山办公的核心产品是WPS和金山文档，日常要处理的文本场景极其具体——用户写文档时的拼写纠错、OCR识别后的文本校正、语音输入的文字后处理、文档自动分类归档。所以笔试题没有太多花架子，全程围绕"中文文本处理"这条主线展开，统计学习方法和深度学习方法都有涉及，比例大概五五开。

整套题下来，我能明显感受到出题人的几个意图。第一，考察基础是否扎实，N-gram语言模型、HMM、CRF、TF-IDF这类经典概念绝对不能含糊。第二，考察工程落地能力，好几道题都要求你手推公式或者写伪代码，而不是简单背概念。第三，考察对中文文本特殊性的理解，比如分词歧义、未登录词、繁体简体转换这些，都是办公软件里天天要面对的真实问题。第四，考察对深度学习常用组件的掌握程度，Word2Vec、LSTM、Attention都有涉及，但难度控制在"知道原理、能写出来"的程度，不要求手推Transformer完整反向传播。

从岗位匹配度来说，这份题其实相当克制。没有出现那种特别偏门的研究型题目，比如最新的预训练模型对比、小样本学习的前沿方法等，基本都在经典NLP知识体系框架内。这意味着只要系统学过自然语言处理课程、认真做过几个项目、把常用模型的原理都弄明白的候选人，是完全可以拿下的。但反过来，靠刷几道LeetCode就来投NLP岗的同学，大概率会在语言模型和序列标注这两块栽跟头。

整体题量不大，我记得是四道大题加若干小题，考试时间给了一个半小时。题型分布大概是：第一部分是基础概念题，快速判断和简答；第二部分是算法实现题，手写核心逻辑；第三部分是模型原理题，推导和计算；第四部分是业务场景设计题，给一个具体需求让你方案设计。下面我按题型逐个拆。

2. 基础概念题拆解：这些送分题拿不到就是亏

2.1 语言模型与平滑策略

这份试卷里，关于语言模型的那道题很有代表性，问的是：给定一个语料库，用N-gram模型计算一个句子的概率，遇到未登录词怎么处理。这题在NLP笔试里属于经典中的经典，金山办公出这题的原因其实很朴素——WPS的智能拼写检查、自动补全功能底层就依赖语言模型来做候选排序。

要答好这道题，必须先理清N-gram模型的基本逻辑。一个句子的概率被拆解成一系列条件概率的乘积，比如二元模型（Bigram）下，P(今天天气真好) = P(今天) × P(天气|今天) × P(真好|天气)。计算方式是从语料中统计词频和共现频次，然后算最大似然估计：P(w_i | w_{i-1}) = Count(w_{i-1}, w_i) / Count(w_{i-1})。

但问题在于，训练语料永远不可能覆盖所有词序列组合，一旦遇到"今天天气超级无敌好"这种表达，如果"超级无敌"这个组合没在语料中出现过，概率直接变成0，这显然不合理。这时候就需要平滑策略。经典的平滑方法有几种：加1平滑（Laplace Smoothing），把每个计数都加1，简单粗暴但会让概率分布偏离实际；Good-Turing估计，用出现r次的类别数量来估计出现0次的概率，相对精准；Kneser-Ney平滑，是目前效果比较好的方法，它不仅考虑词频，还考虑词在上下文中的多样性，比如"Fresno"这个词虽然频次高，但它只出现在"in Fresno"这个搭配中，所以它作为续接词的概率应该调低。

我当时的答题思路是：先写出Bigram概率公式，然后依次说明加1平滑的计算方式，再用实际数字举例。比如语料中"天气"出现10次，"天气真好"出现3次，那么P(真好|天气) = (3+1)/(10+V)，V是词表大小，假设V=10000，结果就是4/10010，约等于0.0004。同时也要指出加1平滑的局限——它给所有未出现搭配一个相同的概率，这不符合语言实际，如果时间允许，可以补充说明Kneser-Ney为什么更优。

这道题还有一个容易漏掉的细节：评估语言模型用困惑度（Perplexity），它是句子概率的几何平均的倒数，值越小说明模型对语料的拟合越好。笔试中不一定会直接问，但如果你在解答里主动提到困惑度概念，会显得理解更完整。

2.2 中文分词的关键难点

金山办公的笔试对中文分词特别执着，这完全可以理解。WPS的文档校对、关键词提取、语音识别后处理都绕不开分词这个前置步骤。试卷里那几道分词相关的题，核心考点集中在两个地方：歧义消解和未登录词识别。

先说歧义。中文分词里有个经典例子"南京市长江大桥"，可以切分成"南京市/长江大桥"，也可以切分成"南京/市长/江大桥"，这就是交集型歧义。处理方式通常有两种思路：一种是基于规则的，维护一个词典，同时定义一些切分规则，比如"正向最大匹配"和"反向最大匹配"，两者结果不一致时用启发式规则选一个；另一种是基于统计的，用HMM或CRF等序列标注模型，把分词问题转化为给每个字打标签的问题——B（词首）、M（词中）、E（词尾）、S（单字成词）。

我当时在答题时把两者都写了出来，并重点解释了为什么统计方法逐渐成为主流：基于规则的方法对词典的依赖太大，词典里没有的词或者没覆盖的歧义模式都没办法，而且开发新领域的分词器时要不断堆规则，维护成本极高。基于统计的方法则不需要手工维护词典，只要标注好训练语料，模型能自动学到上下文特征。

再说未登录词。比如人名、地名、机构名、网络新词，这些词不在词典里，也不容易通过规则覆盖。经典的解决方案是HMM模型配合Viterbi算法，把人名、地名等作为特定的标注类型。在中文里还有一个比较实用的技巧——利用单字成词概率和词内字的转移概率来识别新词。比如"江大桥"这几个字在语料里频繁相邻出现，而且内部字的互信息值很高，就可以考虑它是潜在的新词。现在工业界还会用统计+规则结合的方式，先跑一遍统计模型，再用词表、停用词表等低成本手段做修正。

2.3 TF-IDF与文本表示

还有一道看起来简单但容易答不透彻的题，是让解释TF-IDF的原理并说明它的局限性。很多同学的答案只写了公式：TF-IDF = TF × IDF，TF是词频，IDF = log(N/df)，N是文档总数，df是包含该词的文档数。然后结束。这样答只能拿一半分。

要想答全，得说出它背后的直觉：一个词在一篇文档里出现次数多，说明它可能重要；但如果它在所有文档里都频繁出现，那它就没有区分度，比如"我们"、"的"这类停用词。所以TF衡量的是局部重要性，IDF衡量的是全局区分度。公式里取对数是为了缓解文档频率差异过大带来的影响，加1（有些版本还会做平滑处理）是为了避免除零。

局限性的回答要注意几个层次。一是对于短文本，TF可能失真，因为词频统计不充分；二是IDF只考虑了词是否出现，没考虑词的位置和词性，比如标题中的词重要性和正文中的词显然不同；三是它无法处理一词多义和同义词问题，"苹果"指的是水果还是公司，从TF-IDF向量本身看不出来。在办公文档场景里，TF-IDF可以用来做关键词提取和文本相似度计算，但如果要更精确地做语义理解，通常得换用词向量或预训练模型。我在这道题后面补了一句：实际项目中我一般会结合词性过滤，先做分词和词性标注，只保留名词、动词等实词，再做TF-IDF加权，效果比直接用全词要好不少。

3. 算法实现题：手写代码到底在考什么

这套题里有一道手写实现题，要求写出给定文本集下，计算某个词TF-IDF值的代码。题目本身不复杂，但它考察了好几个工程细节：数据结构设计、字符串处理、时间复杂度优化。我给出的参考实现是这样的。

import math from collections import Counter class TfidfCalculator: def __init__(self, corpus): # corpus 是文档列表，每个文档是分词后的词列表 self.corpus = corpus self.doc_count = len(corpus) # 统计每个词的文档频率 df self.df = Counter() for doc in corpus: # 每个文档内先去重，再统计 df unique_words = set(doc) for word in unique_words: self.df[word] += 1 def tf(self, word, doc): # 词频可以直接用计数除以总词数 total = len(doc) if total == 0: return 0.0 return doc.count(word) / total def idf(self, word): # 加1平滑，防止除零 return math.log((self.doc_count + 1) / (self.df.get(word, 0) + 1)) + 1 def tfidf(self, word, doc): return self.tf(word, doc) * self.idf(word)

写这段代码时有两个点值得注意。第一，代码里我用set(doc)去重后再统计文档频率，这符合IDF的定义——只关心这个词在多少篇文档中出现过，不关心具体出现几次；否则一篇文档里出现10次就会被计10次df，完全错误。这个细节我在面试中问过不少候选人，能主动意识到的不足三成。第二，IDF做了加1平滑，避免词完全不在语料中出现时出现负值或除零错误，实际项目中还会对分母做进一步的拉普拉斯平滑。

如果笔试时间富裕，扩展一个小功能能加分不少。比如输出某个文档中TF-IDF值排名前K的关键词，这样更贴近实际应用场景。可以加一行代码：

def extract_keywords(self, doc, k=10): scores = {word: self.tfidf(word, doc) for word in set(doc)} return sorted(scores.items(), key=lambda x: x[1], reverse=True)[:k]

这道题在WPS场景里对应什么功能？文档关键词提取。用户导入一篇长文，系统自动生成关键词标签，方便归档和检索。底层逻辑就是先分词，去停用词，算TF-IDF，取Top K。如果进一步扩展，还可以用TextRank算法做无监督关键词抽取，它考虑词与词之间的共现关系，效果通常更好，但算法复杂度也更高，笔试一般不会要求现场写。

除了TF-IDF，这套题还出现了一道编辑距离（Levenshtein Distance）的题目。编辑距离是拼写纠错的核心算法之一，在WPS里输错一个单词，系统给建议时就要计算候选词和错误词之间的编辑距离。题目要求用动态规划实现，这也是NLP工程师的基本功。

def edit_distance(s1, s2): m, n = len(s1), len(s2) dp = [[0] * (n + 1) for _ in range(m + 1)] for i in range(m + 1): dp[i][0] = i for j in range(n + 1): dp[0][j] = j for i in range(1, m + 1): for j in range(1, n + 1): if s1[i - 1] == s2[j - 1]: dp[i][j] = dp[i - 1][j - 1] else: dp[i][j] = min( dp[i - 1][j] + 1, # 删除 dp[i][j - 1] + 1, # 插入 dp[i - 1][j - 1] + 1 # 替换 ) return dp[m][n]

动规的递推逻辑不复杂，但要写对边界条件。第0行和第0列要初始化为对应的下标，表示从空串变成另一个串需要操作的次数。如果只要求算距离，空间复杂度还可以优化成一维数组，但不建议在笔试里冒险，稳妥写出二维版本就够了。

换一个角度，如果这道题变成"给定一个错误词和候选词列表，找出最可能的正确词"，答案的思路就变成了：先计算错误词和所有候选词的编辑距离，然后按距离排序，距离相等的情况下，再用语言模型计算候选词在上下文中的概率来排序。比如用户输入"今天我去了Beijing"，"Beijing"拼写没问题，但如果系统判断它和上下文搭配不自然，有可能会推荐"北京"。这种多层排序在真实的输入法、编辑器纠错里是标配做法。

4. 模型原理题：从HMM到Attention的层层深入

4.1 序列标注模型：HMM还是CRF

试卷中有一道大题围绕中文命名实体识别展开，要求对比HMM和CRF在处理序列标注问题时的差异。这个问题在办公场景里非常实际——比如在WPS中自动识别文档里的日期、人名、公司名称，然后提供格式化或快捷操作功能。

HMM是一个生成式模型，它假设观察序列由隐状态序列生成。具体到命名实体识别，就是每个字对应一个隐状态（比如B-PER表示人名开头），隐状态之间满足一阶马尔可夫假设，即当前状态只依赖于上一个状态；每个隐状态生成一个观察值，即当前字，且观察值只依赖于当前状态。因此HMM要建模三类概率：初始状态概率、状态转移概率、发射概率。求解最可能的隐状态序列时用Viterbi算法做动态规划。

HMM的缺陷在于两个强假设。一阶马尔可夫假设认为当前状态只和上一个状态有关，但真实语言中，一个字是不是人名的一部分，可能要看前面好几个字。观察独立假设认为当前字只由当前状态决定，也不符合实际，比如"小明去了北京"中"明"与"小"之间存在强烈的关联，HMM这种单字独立的建模方式会丢失这些信息。

CRF是一个判别式模型，它不建模联合概率P(X, Y)，直接建模条件概率P(Y|X)。它最大的优势是可以定义任意的特征函数，可以把当前位置的字、前一个字、后一个字、词性、词典命中等各种信息都作为特征塞进去，模型自动学习权重。从解模型的角度看，CRF求解的是给定观察序列下最大条件概率的标注序列，训练过程需要用到极大似然估计和迭代优化算法，比如L-BFGS。

笔试题如果要求谈实际选择，我的观点是：数据量小、特征工程做得深的情况下，CRF效果更稳，可控性强，特征可以人工设计来解释结果；数据量大、希望省去特征工程的情况下，用BiLSTM-CRF或Bert加CRF效果更好。金山办公这种场景，如果做专业领域文档（合同、法律文书）的实体识别，标注数据有限，人工特征很重要，CRF的性价比其实很高。

4.2 Word2Vec与词向量表示

还有一种常考的题是Word2Vec。会问Skip-gram和CBOW的区别，以及为什么Word2Vec得到的词向量有语义性质。

如果只答"Skip-gram用中心词预测上下文，CBOW用上下文预测中心词"，只能算答对了一半。更深一层的考察在于：Word2Vec本质上是把词共现信息压缩到低维向量，它之所以能学到语义相似性，是因为分布假说——出现在相似语境中的词具有相似的含义。这个思想是NLP词表示方法的基石，后来的Glove、ELMo、Bert本质上都是这个思想的不同实现方式。

我建议在笔试回答里补充一个细节：Word2Vec训练时用了负采样（Negative Sampling），它把多分类问题转化为二分类问题，让模型判断一个词对是否来自真实上下文，这样能大幅降低计算复杂度。还要提到词向量的局限性——静态词向量无法解决一词多义问题。例如"苹果"在水果和公司两种上下文中，Word2Vec只能给出一个固定的向量；而Bert这类基于上下文的预训练模型，在输入"苹果很好吃"和"苹果发布了新手机"时，编码器会为同一个词生成不同的表示。如果将来要进工业界做文本匹配、情感分析，这个问题尤其关键。

4.3 Attention机制的原理

Attention几乎是NLP面试必考题，这份卷子自然也没放过。问法通常是：简述Attention机制的计算过程，为什么它在Seq2Seq模型中比固定长度向量更有效。

答题框架可以这么组织。首先给出动机：传统的Seq2Seq模型把源端所有信息编码成一个固定长度的向量，句子一长信息就会丢失，解码质量明显下降。Attention的思路是解码每个词时，不再只看这一个固定向量，而是动态地从源端所有隐状态中挑选相关信息，把注意力集中在对当前解码最有用的部分。

计算过程分三步：第一，打分，用某种函数计算当前解码器隐状态与源端每个位置编码器隐状态的匹配程度，常见的打分函数有加性Attention、点积Attention、缩放点积Attention；第二，归一化，把打分结果过Softmax转为概率分布，表示每个源端位置的重要程度；第三，加权求和，用这个分布对源端所有隐状态做加权平均，得到上下文向量，作为当前解码步的输入。

有一个容易被追问的点：为什么Transformer中要用缩放点积Attention？这是因为当向量维度变大后，点积数值的方差也会变大，导致Softmax梯度极小，除以根号下d_k可以稳定训练。此外，Self-Attention中的Query、Key、Value分别是从输入向量线性变换得到的，通过这种变换，模型可以学习到"哪些位置之间存在关联"，比如翻译"他喜欢猫"时，Self-Attention可以让"他"和"喜欢"、"猫"之间建立连接。在WPS的文档摘要生成任务里，Bert这类模型能够捕捉长距离依赖，根本上靠的就是多层Self-Attention堆叠。

5. 业务场景题：办公软件中NLP的真实战场

5.1 拼写检查与纠错方案设计

金山办公笔试最后一道大题基本是方案设计题。我记得是要围绕"用户在WPS中输入了一段中文文本，请设计一个自动拼写纠错系统"来展开。这题没有标准答案，考查的核心是系统设计能力和对NLP技术栈的综合运用能力。

我在回答时把方案拆成了5个模块。第一，分词和词性标注，作为前置处理；第二，错误检测，用语言模型计算每个位置的词在当前上下文中的概率，概率低于某个阈值的词标记为可疑错误，同时结合词典规则，比如不在词典中且无法归类的词直接标记；第三，候选召回，对可疑位置的词做编辑距离计算，从词典中找出距离较近的词作为候选，如果是拼音输入导致的错误，还可以做拼音匹配；第四，候选排序，用三元语言模型计算每个候选词放入上下文后的整体概率，概率最高的作为最优结果，还可以加入一个基于用户历史的个性化加分项，比如用户经常输入某些专业术语，就提高这些词的权重；第五，交互策略，不是所有错误都要自动修改，对于高置信度的错误可以直接改，低置信度的给出提示让用户选择，否则容易在用户看都没看的情况下改错意思。

这种设计思路在工业界确实可行，因为办公文档的文本规范程度比较高，不需要像社交网络文本那样处理大量无规律表达。但如果要深入一点，还可以考虑引入深度学习模型做错别字检测，比如用Bert的掩码语言模型能力——把可疑位置的词Mask掉，让模型预测该位置的词，如果预测结果与原文差异较大，则有较大概率是错别字。这种方法的优点是语义理解能力强，能抓住一些编辑距离无法发现的错误，比如同音字、形近字。缺点是计算量大，在大型文档上逐词Mask耗时很长，通常只作为二级精排使用。

5.2 文本摘要与关键词提取

还有一道题跟文档摘要相关，问的是给一篇长文档生成自动摘要的方法。这题在WPS场景中对应"文档速读"功能，用户没时间看完一篇长报告，系统自动生成摘要帮助快速了解内容。

经典的方案有抽取式和生成式两种路线。抽取式摘要本质上是个排序问题：先把文档按句子切分，每句话表示成TF-IDF向量或句向量，然后计算每句话与整篇文档的相似度，相似度高的句子作为摘要句；或者用TextRank算法，把句子当作节点、句子之间的相似度作为边的权重，迭代计算每个句子的得分，选出Top K个句子组成摘要。

TextRank的核心公式是类似PageRank的迭代传播：一个句子的得分等于所有指向它的句子的得分除以各自出度的加权和。句子之间的相似度可以用词向量的平均值来计算，也可以用BM25这样的稀疏表示。优点是无需训练数据，快速可上线；缺点是句子选择可能缺乏连贯性，有时候摘出来的句子拼在一起逻辑不通。

生成式摘要则用Seq2Seq模型或Bert系列模型直接生成新句子，质量更高、可读性更好，但需要大量训练数据，推理耗时更长。笔试里说清楚两种方案的优缺点和适用场景就够了，但如果你能补充一个实用经验——实际开发中可以先抽取后压缩，先用抽取式定位关键句，再用生成式模型对关键句做压缩和改写，效果和效率都很好——这一段回答会明显有区分度。

接着说一下句子相似度计算，这是所有抽取式摘要的基础。最简单的方法是用词向量的TF-IDF加权平均得到句向量，然后算余弦相似度。但词向量平均容易受高频无意义词的干扰，实际工程中我通常会做两步处理：第一，过滤停用词和标点；第二，使用SIF（Smooth Inverse Frequency）加权法，给高频词更低的权重，效果会提升不少。如果项目中已经引入了Bert模型，也可以直接用Bert的CLS向量作为句向量，但注意长文本需要截断，一般取前512个token就够。

5.3 OCR后处理与语音文本修正

金山办公的笔试题还有一个隐藏的方向藏在场景应用题里：OCR识别之后的中文文本校正。因为WPS自带图片转文字功能，但OCR引擎输出的文本经常会有错别字，比如"弯"识别成"变"、"日"识别成"曰"，这时候就需要NLP后处理来修正。

这个场景的挑战在于：OCR错误和输入法错误模式不同，前者更多是视觉相似导致的字形混淆，后者更多是拼音相似导致的同音错误。所以纠错方案要针对性地利用字形信息。一个思路是把候选词的编码距离换成字形距离——用笔画序列或字形结构特征做相似度计算；另一个思路是用混淆矩阵来引导候选召回，比如提前整理好常见的"形近字混淆表"，OCR识别到某个词时优先从混淆表里找候选。同时，语言模型仍然要做最终排序，确保修正后的整句语义流畅。

我当时在笔试里没有展开太多OCR的细节，因为这个方向属于专门领域，但在面试环节被追问到了"如果OCR结果里出现了大量标点符号错乱，怎么处理"这个问题，我当时的思路是：先基于规则复原标点，比如句号、逗号在中文中不能连续出现，引号必须成对；再对分句位置进行合法性检查，如果发现一个句子超过一定长度都没有标点，就需要用语言模型判断在何处插入标点最合理。这部分在实际项目中占了很大工作量，因为OCR的标点错误会影响后续分句、摘要和关键词提取的效果。

6. 笔试之外的现实思考

6.1 这套题对求职者的方向指引

做完这套题后我当时最大的感受是，金山办公的NLP岗位更看重扎实的基础和解决实际问题的能力，而不是追逐热点。整张卷子没有出现太多2019、2020年那段时间特别火的预训练模型内容，比如Bert的细粒度微调、文本对抗训练等，更多是把经典模型考察透彻。这其实是一个信号：办公软件领域的NLP落地，核心能力是把已有的、稳定的算法模型组合起来解决具体问题，而不是拿着新模型到处试验。

如果你正在准备类似的NLP岗位笔试，我建议重点复习的方向是：中文分词、语言模型、序列标注（HMM/CRF/BiLSTM-CRF）、文本表示（TF-IDF/Word2Vec/Bert）、文本分类、信息抽取、文本摘要。每一个方向都要做到"知道原理、能写公式、能手推关键步骤、能说出实际应用场景"这四层。特别是手推公式这一步，很多同学以为笔试只要看懂公式就行，结果考场上让写出Softmax的梯度推导就会卡壳。我自己的经验是：每个模型都试着从损失函数出发自己推导一遍反向传播，哪怕只是草稿级别，也比死记硬背扎实得多。

另外还要提醒一点：尽量熟悉Python和常用的NLP库，比如jieba、HanLP、gensim、transformers。笔试中如果涉及代码填空题，这些库的API设计思路能帮你快速理解题目的意图。比如题目让你实现一个文本分类接口，你如果知道transformers里AutoModel的用法，写出来的代码结构就会接近面试官期望的工程风格。

6.2 实际工作与笔试之间的落差

笔试题和真实工作之间永远存在差距。在笔试里，输入的数据都是干净整洁的示例文本，输出也不是很复杂。但到了实际工作中，处理的文档五花八门：有的客户上传的PDF排版混乱，有的表格扫描件歪歪扭扭，有的文档同时混着中英日三种语言。笔试里你只需要写一个算法函数，实际工作中你需要先写20行代码做数据清洗，再用算法，最后还要设计兜底逻辑。

我自己在接业务需求时总结出一个方法论：先明确最差可接受的结果是什么，再设计算法路径。比如做文档摘要，如果模型效果不好，最低限度也要保证摘要中的每一句话都出现在原文中，不能胡编乱造，这是抽取式摘要的一大优点。如果做智能纠错，宁可少改，也不要乱改，用户发现自己写对的内容被改成错的，比不改更让人崩溃。这类产品经验和取舍思维，笔试里不会直接考，但往往才是决定你能不能留在这家公司的关键。

笔试能反映一个候选人的基本功扎实程度，但真正影响Offer决策的，还是看你对业务场景的理解和解决问题的思维方式。金山办公的这份试卷出得中规中矩，却清晰地划出了"一个好用的NLP工程师需要具备什么能力"的边界。

6.3 从笔试到Offer的最后一公里

笔试过了之后，还有一轮技术面试在等着你。面试官大概率会拿着你笔试答案里的某个点展开询问，所以交卷之前一定要把每个公式、每段代码的逻辑都弄明白。比如你在试卷里写了用Viterbi算法解HMM的代码，面试官会追问：Viterbi的时间复杂度是多少？如果状态空间特别大，有没有优化空间？你写的DP代码里保存路径的方式是什么？这些问题都是考察你有没有真正吃透模型，而不只是背了模板。

我个人的建议是：笔试之后花15分钟时间，把每道题的核心知识点在脑子里过一遍，列出如果被追问应该从哪几个角度回答。比如TF-IDF那道题，你要准备好被追问"TF-IDF有哪些变体""BM25和TF-IDF的关系是什么""实际项目中你是怎么做停用词过滤的"这样的连环问题。这些东西不需要写得很多，但每个点都要能展开说30秒以上。

笔试中还有一个小技巧：如果一道题有好几种解法，把你认为最优的解法写在前面，同时在旁边用一句话说明为什么不选其他方案。比如语言模型平滑那题，你可以写道"这里我用加1平滑是因为实现简单，在数据量适中时稳定可靠；如果数据量稀疏，可以考虑改用Kneser-Ney，但实现复杂度会高一些。"这样既展示了知识广度，又体现了工程判断力。

最后再补一个实用心得，关于时间分配。一个半小时做四道大题，时间相当紧张。我的策略是：先花5分钟浏览全部题目，挑自己最有把握的题先做，保证基础分全部拿到；再做第二有把握的；最后留时间给方案设计题。方案设计题没有标准答案，只要逻辑清晰、结构完整、有实际可行性，一般都能拿到不错的分数。如果你一开始就死磕某一道硬核推导题，最后可能导致简单题没时间写，得不偿失。这道策略在我后来指导学弟学妹的过程中反复被验证，真的很管用。