2026年ai排序专员笔试题及答案

2026年ai排序专员笔试题及答案

一、单项选择题，(总共10题，每题2分)1.在LearningtoRank中，直接优化NDCG指标的近似函数通常被称为什么损失？A.HingeLossB.CrossEntropyLossC.ApproxNDCGLossD.MSELoss2.ListNet模型中，将评分向量映射为概率分布所使用的转换函数是：A.SigmoidB.SoftmaxC.TanhD.ReLU3.LambdaMART在每一棵回归树拟合时，使用的梯度信息实质上是：A.查询级损失对文档得分的偏导B.文档级损失对特征权重的偏导C.排序对互换带来的NDCG变化量D.文档点击率的置信区间4.当训练数据仅提供“相关”与“不相关”两级标签时，最适合的评估指标是：A.MAPB.NDCG@5C.ERRD.MRR5.在Pairwise方法中，若正样本得分低于负样本，则RankSVM给出的梯度更新方向为：A.特征向量之差方向B.特征向量之和方向C.负的特征向量之差方向D.零向量6.多位置偏差模型中，估计Examination概率最常用的无偏方法是：A.IPSB.EMC.RNND.K-means7.在TensorFlowRanking中，用于实现Groupwisescoring的API组件是：A.tfr.keras.model.SequentialB.tfr.keras.model.GroupwiseC.tfr.keras.model.DNND.tfr.keras.model.Ranking8.若某查询下仅返回3条结果，其真实相关性分别为0、1、1，则该查询的DCG@3值为：A.1.0B.1.5C.1.63D.2.09.当采用Plackett-Luce模型对列表进行建模时，列表概率对文档得分的梯度：A.仅依赖该文档得分B.依赖全部文档得分C.与文档位置无关D.恒为正10.在强化学习排序框架中，用于估计长期收益的常见基线方法是：A.REINFORCEwithbaselineB.Q-learningC.A2CD.DDPG二、填空题，(总共10题，每题2分)11.LambdaRank的损失函数中，λi,j的符号由文档i与j的_________大小关系决定。12.Listwise方法中，K-L散度通常用来衡量模型分布与_________分布之间的距离。13.在GBRank的每轮迭代中，若文档对(d+,d−)的得分差小于margin，则对d+的得分增加_________。14.RankNet使用_________函数将得分差转换为概率，从而定义交叉熵损失。15.当训练集存在位置偏差时，IPS权重等于1/(_________×_________)。16.多指标融合排序中，常用的线性加权方法称为_________模型。17.在TensorFlowRanking的context_feature与example_feature之间做特征交叉时，推荐采用_________层。18.对于冷启动查询，可通过_________矩阵分解技术将查询向量映射到已知空间。19.在强化学习排序里，状态通常由前k个已展示文档的_________向量拼接而成。20.当采用BERT作为排序encoder时，输入段落的最大长度通常被截断为_________个token。三、判断题，(总共10题，每题2分)21.RankBoost的弱分类器权重更新与AdaBoost完全相同，无需考虑排序指标。22.ApproxNDCG通过将阶跃函数替换为sigmoid实现可导。23.在Pairwise采样中，若一个查询只有一条正样本，则无法生成任何训练对。24.ListNet的训练复杂度与文档数呈线性关系。25.当使用IPS去偏时，若propensity估计值为0.01，则对应权重为100。26.DCG指标对低位置的高相关文档不敏感。27.LambdaMART支持自定义度量函数，只要该度量可微即可。28.多任务排序中，共享底层网络可以缓解数据稀疏问题。29.在强化学习排序中，即时奖励通常取当前文档的点击率。30.BERT排序模型中，[CLS]向量已足够表达整个查询–文档相关性，无需额外池化。四、简答题，(总共4题，每题5分)31.简述LambdaMART中lambda梯度的物理含义，并说明其如何反映排序评价指标。32.请解释位置偏差与选择偏差的区别，并给出一种联合修正思路。33.对比Listwise与Pairwise在训练样本构造上的优劣，各举一例适用场景。34.描述如何利用BERT的lateinteraction机制降低在线排序延迟，并保证精度损失可控。五、讨论题，(总共4题，每题5分)35.在电商搜索中，用户点击信号存在大量噪声，请设计一套去噪与置信加权流程，并讨论如何与LearningtoRank训练闭环。36.当系统同时优化GMV、点击率和用户体验分三类目标时，试分析多任务学习、强化学习与约束优化三种框架的可行性与局限。37.假设平台引入视频结果导致传统图文相关性特征失效，请提出一种跨模态排序方案，并评估其离线实验与线上A/B指标设计。38.随着隐私计算要求提升，训练数据无法出域，请讨论联邦学习在排序场景下的梯度压缩、异构特征对齐与效果评估三大挑战及解决思路。答案与解析一、单项选择题1.C2.B3.C4.A5.A6.A7.B8.C9.B10.A二、填空题11.NDCG12.真实（或目标）13.一个正的步长（或margin/2）14.Sigmoid15.examination概率×点击倾向16.LinearBlend17.DCN(Deep&Cross)18.迁移（或InductiveMatrixCompletion）19.特征（或embedding）20.512三、判断题21×22√23√24×25√26×27×28√29√30×四、简答题31.Lambda梯度衡量交换一对文档位置所带来的NDCG变化量，其符号指示应提升或降低当前文档得分；该梯度直接嵌入到GradientBoosting的残差拟合过程，使每棵树朝着提升整体NDCG的方向生长，实现评价指标与训练目标一致。32.位置偏差指用户因浏览习惯高估排前文档；选择偏差指用户仅看到被展示文档而忽略未展示者。联合修正可在日志中引入未展示文档的伪曝光，通过IPS与EM交替估计真实examination与relevance，再重加权训练样本。33.Pairwise构造文档对，简单高效，但忽略同查询内文档间全局次序，适合数据量大、标签粗糙的网页搜索；Listwise直接优化整个列表，训练复杂度高，适用于标签精细、文档数受限的垂直场景如医疗文献排序。34.将查询与文档离线编码为固定长度token向量，在线仅做轻量级向量交互计算；通过量化、缓存热门向量与近似最近邻检索，延迟降至5ms内；同时保留少量精准BERT重排作为二阶段，精度损失控制在1%NDCG以内。五、讨论题35.先以置信区间过滤低曝光点击，再用EM迭代估计真实相关度；引入对抗网络识别噪声样本并降权；将去噪后样本送入LambdaMART，每周闭环更新，线上采用Thompson采样探索新权重，维持CTR与GMV双升。36.多任务学习共享底层，易实现但冲突目标可能拉低主指标；强化学习可显式建模长期收益，却需大量探索，收敛慢；约束优化把用户体验当硬约束，保证下限，但调参复杂且对动态环境敏感，三者可级联使用。37.采用双塔结构分别编码视频文本与视觉帧，通过跨模态Transforme