文本分类常见模型与隐喻类文本的处理
哪些公司问过
答案要点
- 传统:词袋/TF-IDF 加朴素贝叶斯、逻辑回归、SVM,快速、适合小数据
- 深度:FastText(词与 n-gram 向量平均)、TextCNN(多尺度卷积提取局部特征)、TextRNN/注意力
- 预训练:BERT 类模型微调获得上下文表示,大模型可零样本或少样本分类
- 隐喻文本:首选预训练模型,补充标注带修辞样本与数据增强
- 可引入外部常识、用大模型先改写为直白表达,或用对比学习区分字面相似而含义不同的样本
易错点
- 隐喻类任务仍只用词袋特征,无法理解深层含义
- 认为 FastText 对词序完全敏感,它基本靠 n-gram 补充局部顺序信息
- 只看准确率,不看各类别的表现
面试官常见追问
- TextCNN、FastText、BERT 的区别和适用场景?
- 类别不平衡的文本分类怎么处理?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。