以下哪种神经网络结构常用于自然语言处理？A. 卷积神经网络B. 全连接网络C. 决策树D. 长短期记忆网络 (LSTM)

考查要点：本题主要考查对自然语言处理（NLP）中常用神经网络结构的了解，重点区分不同神经网络的典型应用场景。

解题核心思路：
自然语言处理任务通常涉及序列数据（如文本、语音等），需要模型能够捕捉长距离上下文依赖。长短期记忆网络（LSTM）作为循环神经网络（RNN）的改进版，通过门控机制有效解决了传统RNN的梯度消失/爆炸问题，成为NLP领域的主流选择。

破题关键点：

• 卷积神经网络（CNN）：擅长处理空间数据（如图像），但对序列位置敏感性不足。
• 全连接网络（FCN）：无法有效建模序列的时序依赖关系。
• 决策树：属于传统机器学习方法，非神经网络结构，且不擅长处理序列数据。
• LSTM：专为序列建模设计，能处理长依赖，广泛应用于机器翻译、文本生成等任务。

选项分析

A. 卷积神经网络（CNN）

• 特点：通过卷积层提取局部特征，适用于图像分类、目标检测等空间数据任务。
• 局限性：对文本的长距离依赖建模能力较弱，需结合其他结构（如RNN）增强效果。

B. 全连接网络（FCN）

• 特点：每层神经元全连接，结构简单但计算量大。
• 局限性：无法有效捕捉序列数据的时序关系，难以处理长文本。

C. 决策树

• 特点：基于树状结构进行分类/回归，属于传统机器学习方法。
• 局限性：非神经网络，无法处理复杂的非线性序列关系。

D. 长短期记忆网络（LSTM）

• 特点：通过输入门、遗忘门、输出门控制信息流动，有效保留长期依赖。
• 应用场景：机器翻译、文本摘要、语言模型等NLP核心任务。

结论：LSTM是唯一专为序列数据设计的神经网络结构，因此正确答案为D。