AI-Agent 面试题汇总 - 自然语言处理篇 (知识图谱)

1. 医疗数据来自哪里，原始格式是什么

常见来源：电子病历、指南文档、药品说明书、问答语料、结构化表。原始格式可能是txt/doc/pdf/json/csv/数据库表，需做脱敏与字段规范化。

2. 使用什么标注工具，如何分配标注任务

常用doccano、label studio。任务分配一般按疾病域或实体类型切分，双人标注+仲裁提升一致性，使用IAA（如Kappa）评估质量。

3. 使用什么标注规则，详细解释

规则通常包含：实体边界规则、歧义词处理、缩写规范、嵌套实体策略、关系触发词定义、冲突优先级。需要沉淀《标注指南》并版本化管理。

4. 如何实现数据预处理，中间步骤有哪些

流程：去噪清洗 → 分句分词 → 术语标准化 → 去重 → 标注对齐 → 训练/验证切分。知识图谱还需做实体标准化（同义词归并）与关系schema校验。

import re

def clean_text(s):
    s = re.sub(r"\s+", " ", s)
    s = re.sub(r"[^\u4e00-\u9fa5A-Za-z0-9，。；：、（）%\- ]", "", s)
    return s.strip()

5. 对比了哪些 NER 方法，最后选择哪套，为什么

可对比：规则词典、CRF、BiLSTM-CRF、BERT-CRF。通常在中文医疗场景，BERT-CRF兼顾上下文表达与标签约束，实体级F1更稳定，因此常作为最终方案。

6. 关系抽取有哪些方法，比较原理

方法包括：1）规则模板（高精度低召回）；2）监督分类（基于实体对+上下文）；3）序列标注式联合抽取；4）生成式抽取。选择取决于数据规模、关系复杂度与上线成本。

7. 如何推导 CRF 损失函数

CRF损失是条件对数似然的负值：(-\log P(y|x))，其中分子为真实路径分数，分母为所有路径分数的log-sum-exp（配分函数）。训练时最大化真实路径概率，解码用Viterbi。

8. CRF 路径分数怎么计算

路径分数 = 各位置发射分数之和 + 相邻标签转移分数之和。这也是Viterbi动态规划的核心评分函数。

9. 关系抽取中的棘手问题

典型难点：

• SEO（单实体重叠）
• EPO（实体对重叠）
• 远距离依赖
• 弱触发词与跨句关系
• 样本不均衡与负样本构造

10. pipeline 和 joint 的不同

Pipeline：先NER后RE，多模型串联，易实现但误差传递明显。Joint：统一模型联合学习实体与关系，可减少误差传递但训练更复杂、数据要求更高。

11. 基于规则方法用在哪些场景，核心是什么，用了哪些工具

适合术语稳定、可解释要求高、冷启动数据少的场景。核心是“词典+模板+正则+句法线索”。常用工具：正则表达式、jieba.posseg、HanLP、规则引擎。

12. 基于 pipeline 的关系抽取，如何组织数据，经过哪些过程

数据组织常为：实体1 + 实体2 + 句子 + 关系标签。流程：NER抽实体 → 构造实体对样本 → 关系分类训练/预测 → 结果融合与冲突消解。

13. 如何部署上线，用了哪些工具

常见组合：Flask/FastAPI + Neo4j + Redis + Docker。流程：抽取服务化、图谱写入、查询接口、缓存加速、监控与告警。

from py2neo import Graph
graph = Graph("bolt://localhost:7687", auth=("neo4j", "password"))
graph.run("CREATE (:Disease {name:$name})", name="流感")

14. 如何定义知识图谱的本体和实例

本体（Schema）是概念层：实体类型、关系类型、属性约束；实例（Instance）是数据层：具体实体与事实三元组。定义时要保证可扩展性、一致性、业务可查询性。