我将考点总结如下，希望能解答大家的疑问:
字操作:
1.【发送子话题】标题样式需要标题1和标题2的格式设置，按照要求一步一步来，不要不要忘记详细的格式。
2.纸张尺寸、页边距调整等。
3.插入图片、文本框、smartart、绘图(记得先插入画布，然后再插入形状)，并用公式表示这些对象的设置。
4.【难点】表格和图表也是新的考点。在word中插入图表，一般都会有截图。按照截图做，然后对比要求。有要求的点就行了。至于美，你不我不需要注意。
5.【难点】注意文档中全角和半角的区分，尤其是查找和替换的操作——批量删除空格和空行，或者输入符号。一定要看输入法里的月牙或者圆圈。
6.【难点】新增考点。当你这样做时，你必须使用制表符来分隔彼此。最好是显示一把尺子，这样比较快。
7.【发送子话题】参考目录。如果有标题设置，就会有目录。最后记得刷新目录。如果你进入图表目录，标题中必须有说明文字，表格中必须有说明文字，图片中必须有说明文字，图表中必须有说明文字。这样就有了考点的脚注和尾注。这个设置不难，学会设置就行了。
8.页眉和页脚的页码，尤其是奇偶页设置，以及页码设置。记住插入分隔符是分节符还是分页符。
9、小细节、数字设置、文字效果、水印、基本字体、段落格式设置、插入封面、分栏等。找到菜单就行了。
10【大考点】邮件合并，如果遇到这个大函数，基本上这9个点都会考小知识点，基本上不会考大点，只是邮件合并各种函数，主要生成的文件会保存在路径和文件名中。
虽然没有考题分类，但是从描述上看像是文本题目的多分类问题。我我不确定它是否好与不好，因为我还没有我没有尝试过一些想法。;我提供了。
首先，第一步是先提取特征再分类，也就是量化你的试题。矢量化有几种方法。
1.设置自己的特色，比如中英文的字数，数字的字数，一些名词，名词出现的频率等等。你可以自己设置这些特征，最后转换成矢量。
2.以tf*idf为代表的词袋模型，可以专门搜索tf*idf是什么。
3.单词嵌入模型，结合了语义信息，比如word2vec，一个可以表示每个单词的语义向量，每个单词可以把整个文档的语义加起来。，或者直接使用doc2vec、pythonsgensim有api，可以直接实现，但建议了解原理。
以上三种方法可以将一个问题转化为一个向量，等价于向量的多标签分类问题。
分类方法:
1.可以看作是一个0/1分类问题，即假设有五个分类abcde，你分别训练五个模型来判断向量是否属于这个分类。这种2-分类的方法很多，效果也比较好。随机森林，logistic回归，svm都可以直接扔进去。
2.设置一个门槛，直接去做。假设试题a的向量表示是x，对应的标签是分类b和分类c(有abcde5类)，那么最终的结果向量是01100。把向量扔进神经网络，最后连接一个softmax输出每一个分类的概率，比如0.10.60.80.40.3。超过0.5就知道是分类和火车了。
3.建议使用rnn(可以使用lstm/gru)进行培训。rnn通常适用于这种类型的训练，它可以适应不同长度的输入，而不必固定为多维向量。方法是用word2vec对试题的每个单词进行矢量化，然后丢入rnn(如果问题很长，考虑加入注意机制，单元格选择lstm或者gru)。输出结果后面是sigmoid，也就是方法1中的0/1分类问题。如果遵循softmax，则是方法2中设置的阈值。
4.可以试试主题模型，比如lda主题模型。看每个类目的主题词，然后直接搜索关键词。比如都是分类a的考题，提取主题词等等。这些主题词是根据特征1分类的，但视觉效果随数据集变化很大。
以上方法我都想到了，没有经过测试，仅供参考。
