2026年人工智能与大数据应用专业考试试题及答案

2026年人工智能与大数据应用专业考试试题及答案1.单项选择题（每题2分，共20分）1.1在Hadoop生态中，负责元数据持久化的组件是A.DataNode B.NameNode C.ResourceManager D.NodeManager答案：B1.2下列激活函数在x=0处不可导的是A.ReLU B.Sigmoid C.Tanh D.LeakyReLU答案：A1.3SparkRDD的转换操作特点是A.立即执行 B.惰性求值 C.触发checkpoint D.触发shuffle答案：B1.4在联邦学习场景下，为防止梯度泄露用户隐私，常用的保护机制是A.Dropout B.差分隐私加噪 C.BatchNorm D.早停答案：B1.5若某决策树采用Gini系数作为划分准则，则其最佳划分点的Gini增益A.越大越好 B.越小越好 C.等于0 D.等于1答案：A1.6在Transformer中，ScaledDot-ProductAttention的缩放因子为A.√d_k B.d_k C.1/√d_k D.d_v答案：A1.7某电商推荐系统采用“用户-物品”交互矩阵，显式反馈指A.点击 B.收藏 C.评分 D.停留时长答案：C1.8在HBase中，数据按什么排序存储A.行键字典序 B.列限定符字典序 C.时间戳升序 D.随机哈希答案：A1.9若某深度网络使用BatchNorm，则推理阶段均值与方差来自A.当前batch B.滑动平均 C.固定常数 D.随机采样答案：B1.10下列评价指标对类别不平衡最不敏感的是A.Accuracy B.F1-score C.AUC-ROC D.Precision答案：C2.多项选择题（每题3分，共15分；多选少选均不得分）2.1关于LSTM结构，以下门控单元正确的是A.输入门 B.遗忘门 C.输出门 D.重置门答案：ABC2.2以下属于无监督降维方法的有A.PCA B.t-SNE C.LDA D.Autoencoder（无标签训练）答案：ABD2.3在Flink中，Exactly-Once语义依赖A.检查点机制 B.两阶段提交 C.幂等sink D.事件时间答案：ABC2.4关于A/B测试，描述正确的有A.需随机分流 B.指标需预先定义 C.实验周期越长越好 D.需计算统计显著性答案：ABD2.5以下属于图神经网络消息传递步骤的有A.聚合邻居特征 B.更新节点表示 C.池化全局图 D.反向传播答案：ABC3.填空题（每空2分，共20分）3.1在Word2Vec中，Skip-gram模型的训练目标是最大化______。答案：给定中心词预测上下文词的对数似然3.2若某卷积层输入尺寸为32×32×3，64个5×5卷积核，padding=2，stride=1，则输出特征图尺寸为______。答案：32×32×643.3在Kafka中，保证分区内部消息顺序的单元是______。答案：Partition3.4若某XGBoost模型使用reg:squarederror损失函数，则其叶节点权重w_j的最优解为______（用一阶、二阶导数表示）。答案：w_j=−G_j/(H_j+λ)3.5在PyTorch中，将模型参数从GPU迁移到CPU的函数是______。答案：.cpu()3.6若某Spark任务提交参数为--executor-memory4g--num-executors20，则可用内存总量为______GB。答案：803.7在联邦平均算法FedAvg中，服务器对客户端上传的______进行加权平均。答案：模型参数/梯度3.8若某深度网络使用Adam优化器，其超参数β1常用默认值为______。答案：0.93.9在HDFS中，默认块大小为128MB，若文件大小为1GB，则占用______个块。答案：83.10在SQL中，窗口函数ROW_NUMBER()必须与______子句配合生成唯一序号。答案：OVER(ORDERBY…)4.判断题（每题1分，共10分；正确打“√”，错误打“×”）4.1在K-means算法中，k值越大，聚类效果一定越好。答案：×4.2使用dropout训练时，推理阶段需要关闭dropout并缩放权重。答案：√4.3在梯度下降中，学习率固定为0.01一定能收敛到全局最优。答案：×4.4在Flink中，KeyedStream可以设置并行度大于1。答案：√4.5图数据库Neo4j使用Cypher查询语言。答案：√4.6在深度强化学习中，策略梯度方法属于值函数方法。答案：×4.7若两个随机变量独立，则它们的互信息为0。答案：√4.8在HBase中，列族可以动态扩展，但列限定符必须在表定义时指定。答案：×4.9使用BatchNorm可以加速网络收敛并降低对初始权重敏感度。答案：√4.10在Kafka中，consumergroup内每个分区只能被一个consumer实例消费。答案：√5.简答题（封闭型，每题6分，共18分）5.1写出随机森林的Out-of-Bag误差估计步骤。答案：(1)对每棵树，用bootstrap未抽到的样本（约1/3）作为OOB集；(2)对每个样本，汇集所有将其作为OOB的树的预测，投票或平均；(3)计算预测错误率即为OOB误差。5.2解释梯度爆炸问题并给出两种缓解方法。答案：梯度爆炸指反向传播时梯度呈指数级增大，导致权重更新过大无法收敛。缓解方法：1.梯度裁剪（设定阈值，超过则缩放）；2.使用LSTM或GRU等门控机制；3.权重正则化；4.减小学习率。5.3说明MapReduce中Combiner的作用及使用条件。答案：Combiner是本地reducer，可减少map端输出数据量，降低网络IO。使用条件：reduce函数必须满足交换律和结合律，如求和、求最大。平均值不可直接用。6.简答题（开放型，每题8分，共16分）6.1某短视频平台每日新增千万级视频，请设计实时违规内容检测架构，要求低延迟、高吞吐、可扩展，并说明所用算法与数据流。答案参考要点：(1)接入层：Kafka收集上传流，按userId分区保序；(2)特征层：FlinkCEP提取帧序列，调用CV模型提取embedding；(3)模型层：部署轻量级CNN+Transformer融合模型于Flink异步算子，输出违规概率；(4)后处理：概率>0.9直接下架，0.5~0.9进人工审核队列；(5)存储：结果写HBase，离线样本落Hive用于模型日更；(6)扩展：模型热更新通过Flinksavepoint+Alink；(7)延迟：端到端<500ms；(8)算法：采用自监督预训练+主动学习降低标注成本。6.2讨论联邦学习在医疗影像AI落地中的三大挑战及可行对策。答案参考要点：挑战1：数据异构（设备、协议差异）→采用个性化联邦（FedPer）+迁移学习；挑战2：标签稀缺→利用自监督预训练生成全局模型，再微调；挑战3：监管合规→引入差分隐私(ε<1)与区块链审计，满足HIPAA/GDPR；附加：通信开销大→采用梯度压缩、量化(8-bit)与异步聚合。7.应用题（计算类，共20分）7.1某电商推荐系统使用矩阵分解，已知用户-物品评分矩阵R∈ℝ⁵ˣ⁴，已分解为P∈ℝ⁵ˣ²，Q∈ℝ⁴ˣ²，且正则化系数λ=0.1。给定：P=[[1,0],[0,1],[1,1],[0,0],[1,-1]]Q=[[1,1],[1,-1],[0,1],[0,-1]]R=[[5,3,?,?],[?,2,1,?],[4,?,2,1],[?,1,?,0],[?,3,1,?]]其中？表示缺失。(1)计算观测评分(1,1)的预测值R̂₁₁；（2分）(2)写出损失函数L（含正则项）的展开式（用P_i、Q_j表示）；（4分）(3)对P₁₁求梯度∂L/∂P₁₁；（4分）(4)若学习率η=0.01，按SGD更新一次P₁₁。（2分）答案：(1)R̂₁₁=P₁·Q₁ᵀ=[1,0]·[1,1]ᵀ=1(2)L=Σ_{(i,j)∈Ω}(R_ij−P_iQ_jᵀ)²+λ(‖P‖²_F+‖Q‖²_F)(3)∂L/∂P₁₁=−2(R₁₁−P₁Q₁ᵀ)Q₁₁+2λP₁₁=−2(5−1)·1+2·0.1·1=−8+0.2=−7.8(4)P₁₁_new=1−0.01·(−7.8)=1.0788.应用题（分析类，共15分）8.1某市出租车GPS数据量每日200GB，字段：车牌、时间、经度、纬度、载客状态。需完成“高峰时段拥堵路段识别”任务。(1)给出数据清洗两项关键规则；（3分）(2)选用何种空间索引结构并说明理由；（3分）(3)设计分布式处理流程（含技术栈）；（5分）(4)给出拥堵指数计算公式。（4分）答案参考：(1)规则1：剔除经纬度越界点（lat∈[30.5,31.5],lng∈[120.8,122.0]）；规则2：剔除速度>120km/h异常漂移。(2)采用GeoHash编码，长度=7（约76m网格），兼顾精度与可扩展性。(3)流程：Kafka→Flink→Redis(窗口缓存5min)→计算路段速度→Sink到ClickHouse；离线用Spark提取历史均值；拥堵判定：实时速度<0.4×历史均值。(4)拥堵指数CI=(1−v_real/v_hist)×100，CI>60定义为拥堵。9.应用题（综合类，共16分）9.1某银行拟构建企业信贷违约预测模型，数据含3000万条样本，特征1000维，高度稀疏且含大量缺失值，正负样本比例1:99。任务：(1)选择采样策略并说明理由；（3分）(2)给出特征工程三步骤；（3分）(3)选择模型及超参数设置；（3分）(4)说明如何解释模型以满足监管；（4分）(5)给出线上监控指标。（3分）答案参考：(1)采用SMOTE+ENN混合采样，训练集正负比约1:5，既缓解过拟合又保留边界信息。(2)步骤1：缺失值用LightGBM内置缺失分支；步骤2：类别特征TargetEncoding（5折交叉）；步骤3：数值特征分箱后WOE编码。(3)模型：LightGBM，num_leaves=127，max_depth=8，scale_pos_weight=20，metric=AUC，early_stopping=50。(4)使用SHAP值输出全局与局部解释，提供top20特征重要性及单样本forceplot，满足巴塞尔协议可解释要求。(5)线上监控：PSI<0.1、AUC下降<0.02、违约率漂移<5%，异常触发模型重训。10.编程题（共20分）10.1使用PySpark实现分布式Apriori算法，找出频繁1-项集与2-项集，最小支持度阈值minSup=1000。输入为文本文件，每行一条交易，商品以空格分隔。要求：(1)写出完整代码；（14分）(2)说明如何调优executor参数以处理10亿条交易。（6分）答案：(1)代码：```pythonfrompysparkimportSparkContextsc=SparkContext()lines=sc.textFile("hdfs://path/transaction.txt")baskets=lines.map(lambdax:x.strip().split())total=baskets.count()minSup=1000频繁1-项集flat=baskets.flatMap(lambdax:[(item,1)foriteminset(x)])freq1=flat.reduceByKey(lambdaa,b:a+b).filter(lambdax:x[1]>=minSup).collect()freq1_dict={item:cntforitem,cntinfreq1}广播broadcast_f1=sc.broadcast(freq1_dict)候选2-项集candidates=baskets.flatMap(lambdax:[(a,b)forainset(x)forbinset(x)ifa<bandainbroadcast_f1.valueandbinbroadcast_f1.value])freq2=candidates.map(lambdax:(x,1)).reduceByKey(lambdaa,b:a+b).filter(lambdax:x[1]>=minSup).collect()print(freq2)```(2)调优：–executor数=200，每executor4核，共800并发任务；–executor-memory=8GB，driver-memory=4GB；–s