NOAI 2025 复赛题解｜第1题：9万个德语词，10分钟，拆得完吗？

NOAI复赛 自然语言处理

需要真题、资料，请拉到文末添加艾斯老师微信。

题目回顾

德语有大量组合词，由多个短词拼在一起。给一份数据集，每个样本是一个组合词和一个 0-1 数组：1 表示该字符是某个短词的最后一个字母。

"Sprachbereich": [0,0,0,0,0,1,0,0,0,0,0,0,1] → "Sprach" + "bereich"

训练集 94,306 条，验证集 11,788 条，测试集 11,789 条。GPU 训练+测试不超过 10 分钟。评分 = 平均 F1-score。

这是一个序列标注问题

不要被"德语"吓到 😂 你不需要懂德语。

本质是：给一个字符序列，预测每个位置是 0 还是 1。跟中文分词、命名实体识别是同一类问题。

思路一：字符级 BiLSTM

每个字符当作一个 token，Embedding + BiLSTM + Linear 逐位置预测。

class CharSegmenter(nn.Module): def __init__(self, vocab_size, embed_dim, hidden_dim): super().__init__() self.embedding = nn.Embedding(vocab_size, embed_dim) self.lstm = nn.LSTM(embed_dim, hidden_dim, batch_first=True, bidirectional=True) self.fc = nn.Linear(hidden_dim * 2, 1) def forward(self, x): x = self.embedding(x) out, _ = self.lstm(x) return self.fc(out).squeeze(-1)

字符词表只有几十个（a-z + ä/ö/ü/ß），Embedding 维度 32~64 够了。双向是因为判断词尾需要同时看前后文。

思路二：CNN + LSTM

在 LSTM 前加一层 1D 卷积，先提取局部 n-gram 特征。德语中 "ung"、"heit"、"keit" 都是常见词尾后缀——CNN 擅长捕捉这种固定长度模式，LSTM 擅长捕捉长距离依赖。两者互补。

思路三：纯 CNN

叠几层不同 kernel_size（3、5、7）的 1D 卷积。纯 CNN 比 LSTM 快很多，10 分钟内可以跑更多 epoch。F1 可能略低，但如果 BiLSTM 只能跑 5 个 epoch，纯 CNN 能跑 20 个——epoch 不够模型就没训好。

数据处理的关键

• 类别不均衡：大部分位置是 0，分割点（1）很少。用加权 BCEWithLogitsLoss，给正样本更高权重

• 最后一个字符永远是 1：每个词的末尾一定是分割点。预测时直接把最后一位设成 1，免费多对一个位置

• 统一转小写：德语名词首字母大写，转小写可以减少词表、让模型更容易学到规律

容易踩的坑

坑 1F1 是逐分词算的，不是逐字符

预测的分词起止位置必须和真实完全一致才算正确。错一个字符，整个分词就判错。"差一点"和"差很多"的惩罚一样。

坑 210 分钟 GPU 限时

9 万条训练数据不算小。先跑 1 个 epoch 看耗时，推算能跑几个 epoch，留 1~2 分钟给测试。选模型时要把时间成本算进去。

区分度在哪

• 认清这是序列标注问题，选对模型架构

• BiLSTM 和纯 CNN 的取舍——取决于对 10 分钟限制的把握

• 类别不均衡处理 + F1 评分规则的精确理解

• 最后一位一定是 1 这个先验——用了就多对一个位置 🎯

这道题的难度不在 NLP 知识，在时间管理和对评分规则的精确理解。