2026年人工智能与大数据试题及答案

2026年人工智能与大数据试题及答案1.单项选择题（每题2分，共20分）1.1在深度学习中，下列哪种技术最常用于缓解过拟合？A.增加网络深度B.减小学习率C.DropoutD.使用ReLU激活函数答案：C1.2下列关于Hadoop生态组件的描述，正确的是：A.Hive仅支持实时查询B.HDFS的默认副本因子为2C.YARN负责集群资源管理D.MapReduce任务必须基于Spark运行答案：C1.3在联邦学习框架中，服务器端聚合本地模型参数最常用的算法是：A.K-MeansB.FedAvgC.PageRankD.Apriori答案：B1.4下列哪种图神经网络最适合用于节点分类任务？A.GANB.GCNC.RNND.CNN答案：B1.5在Python中，使用pandas读取10GBCSV文件时，最节省内存的做法是：A.直接调用pd.read_csv()B.先压缩为zip再读取C.指定dtype与usecols参数D.使用pickle格式存储答案：C1.6下列关于BERT模型的说法，错误的是：A.采用双向Transformer编码器B.预训练任务包含NSPC.微调时不能修改词表D.可用于中文文本分类答案：C1.7在Spark中，下列哪一步操作会触发宽依赖？A.mapB.filterC.unionD.groupByKey答案：D1.8下列哪项不是差分隐私中的关键参数？A.εB.δC.sensitivityD.recall答案：D1.9在强化学习中，Q-learning更新公式中的α指：A.折扣因子B.学习率C.探索率D.奖励衰减答案：B1.10下列哪种可视化技术最适合展示高维数据的局部与全局结构？A.箱线图B.t-SNEC.直方图D.雷达图答案：B2.多项选择题（每题3分，共15分；每题至少有两个正确答案，多选少选均不得分）2.1以下哪些操作能够提升卷积神经网络在小样本上的泛化能力？A.数据增强B.批归一化C.增加全连接层节点数D.迁移学习答案：ABD2.2在Kafka中，下列哪些角色或组件直接参与消息持久化？A.ProducerB.BrokerC.ConsumerD.Topic答案：BD2.3下列属于NoSQL数据库的是：A.MongoDBB.HBaseC.Neo4jD.PostgreSQL答案：ABC2.4关于A/B测试的假设检验，下列说法正确的是：A.零假设通常指“新策略无提升”B.p值越小拒绝零假设的证据越强C.显著性水平α一般设为0.05D.检验功效越高，犯第二类错误概率越大答案：ABC2.5在PyTorch中，以下哪些方式可以固定随机种子以保证实验可复现？A.torch.manual_seed()B.torch.cuda.manual_seed_all()C.numpy.random.seed()D.random.seed()答案：ABCD3.填空题（每空2分，共20分）3.1在Transformer中，位置编码（PositionalEncoding）的维度与________的维度相同。答案：词嵌入3.2若某SparkRDD包含N个分区，执行repartition(M)后，每个分区平均包含________条记录（用原RDD总记录数T表示）。答案：T/M3.3设某深度网络使用Adam优化器，其超参数β1常取默认值为________。答案：0.93.4在SQL中，窗口函数row_number()必须与________子句配合才能生成唯一序号。答案：over3.5若某决策树采用基尼系数作为划分标准，则基尼系数越小表示节点________。答案：纯度越高3.6在联邦学习场景下，客户端上传的模型梯度通常需要进行________以防范梯度泄露隐私。答案：梯度压缩/加噪（答出任意一种即可）3.7当使用LSTM时，门控单元中的“遗忘门”主要决定________信息的保留比例。答案：上一时刻细胞状态3.8在HDFS写数据过程中，NameNode负责________，DataNode负责实际数据块存储。答案：元数据管理3.9若某二分类模型在测试集上的TPR=0.8，FPR=0.1，则其ROC曲线下的面积AUC约为________。答案：0.853.10在Python中，使用________命令可以查看pandasDataFramedf的内存占用（单位字节）。答案：df.memory_usage(deep=True).sum()4.简答题（封闭型，每题6分，共18分）4.1简述MapReduce中“Shuffle”阶段的具体流程，并指出该阶段最耗时的两个操作。答案：（1）Map端将输出结果根据分区函数写入环形内存缓冲区，当缓冲区达到阈值时触发溢写（spill）到本地磁盘，溢写前进行分区和排序；（2）Map任务完成后，Reduce端通过HTTP拉取（fetch）属于自己的分区数据；（3）Reduce端对拉取到的多份溢写文件进行归并排序，最终生成一个有序的大文件供Reduce函数使用。最耗时操作：磁盘溢写与网络拉取。4.2给出batchnormalization在卷积神经网络中的计算公式（训练阶段），并解释其如何加速收敛。答案：对特征图X∈ℝ^(N×C×H×W)，按通道计算：μ_c=1/(NHW)∑_{n,h,w}X_{n,c,h,w}σ²_c=1/(NHW)∑_{n,h,w}(X_{n,c,h,w}−μ_c)²X̂_{n,c,h,w}=(X_{n,c,h,w}−μ_c)/√(σ²_c+ε)Y_{n,c,h,w}=γ_cX̂_{n,c,h,w}+β_c通过标准化使每层输入分布稳定，降低InternalCovariateShift，从而允许更大学习率并减少梯度震荡，加速收敛。4.3列举三种常见的数据倾斜（dataskew）场景，并给出各自在SparkSQL中的缓解策略。答案：（1）Key倾斜：使用salting技术，对热点key添加随机前缀，聚合后再二次聚合；（2）分区倾斜：使用repartition或自定义分区器，将热点key拆分到更多分区；（3）表join倾斜：启用Spark3的AdaptiveQueryExecution，自动拆分倾斜分区；或使用broadcastjoin将小表广播到各节点。5.简答题（开放型，每题8分，共16分）5.1某电商公司计划基于用户行为日志实时预测退货概率，请设计一套端到端的大数据+AI方案，涵盖数据采集、流式处理、特征工程、模型训练与在线推理，并说明技术选型理由。答案：（1）数据采集：APP与Web端埋点通过Flume/Logstash推送至Kafka，保证毫秒级写入；（2）流式处理：使用Flink消费Kafka，完成会话划分、异常行为标记，输出至Redis作为实时特征缓存；（3）特征工程：离线用SparkSQL聚合历史订单、评价、售后数据，写入FeatureStore（Feast）；实时特征与离线特征通过用户ID拼接；（4）模型训练：采用XGBoostonSpark，每周全量更新；使用AUC与交叉熵监控，若AUC下降>3%触发自动回滚；（5）在线推理：TensorFlowServing加载ONNX导出的XGBoost模型，通过gRPC提供<30msP99延迟；（6）技术选型理由：Kafka支持百万级QPS、Flink低延迟exactly-once、Feast统一特征口径、XGBoost在小样本非线性场景效果优于深度模型。5.2近年来“大模型+提示学习”范式在NLP领域表现突出，请从数据、算力、算法、伦理四个维度分析其对传统微调范式的冲击，并给出企业落地时应对策略。答案：数据：提示学习降低标注需求，但需高质量提示模板与答案对齐数据；企业应构建提示库与答案评估体系。算力：千亿参数模型推理需A100×32卡，成本高昂；可采用模型蒸馏、量化、MoE稀疏化降低资源占用。算法：提示学习将任务转化为“文本填空”，统一框架减少定制Head；企业应维护通用API网关，支持动态提示热更新。伦理：大模型易输出偏见、隐私信息；需引入RLHF、红队测试、内容过滤API，建立伦理审查委员会。落地策略：采用“云边协同”——云端超大模型负责复杂生成，边缘微调小模型处理敏感域；签署数据使用协议，确保用户知情同意。6.应用题（计算类，共15分）6.1某城市出租车GPS数据量为每日200GB（24h），每条记录包含字段：vehicle_id,longitude,latitude,timestamp,occupancy_status，平均每条记录占60Byte。（1）估算每日记录条数N；（3分）（2）若采用HDFS默认副本因子，计算实际存储占用；（3分）（3）若需保存三年数据，采用Snappy压缩比0.5，计算所需磁盘空间；（4分）（4）若集群单盘8TB，盘利用率80%，计算最少需要多少块磁盘。（5分）答案：（1）N=200GB/60B≈3.33×10⁹条（2）默认副本因子3，实际存储=200GB×3=600GB（3）三年原始=200GB×365×3=219TB；压缩后=219TB×0.5=109.5TB（4）单盘可用=8TB×0.8=6.4TB；盘数=109.5/6.4≈17.1→向上取整18块7.应用题（分析类，共16分）7.1某视频平台拟基于用户-视频交互矩阵R∈ℝ^{m×n}实现个性化推荐，已知m=2×10⁷，n=5×10⁵，矩阵稀疏度为0.1%。（1）若采用隐语义模型（LFM）秩k=200，估算模型参数总量；（4分）（2）若使用参数服务器架构，参数分片策略为按行哈希到1000节点，计算每个节点平均存储多少参数；（4分）（3）训练时采用负采样比例1:4，单样本梯度更新需浮点运算量约800FLOPs，估算一轮epoch（遍历所有正样本）的FLOPs；（4分）（4）若使用A100GPU（峰值312TFLOPs），计算理论上最短训练时间（忽略通信开销）。（4分）答案：（1）参数总量=m×k+n×k=(2×10⁷+5×10⁵)×200=4.1×10⁹（2）每节点参数=4.1×10⁹/1000=4.1×10⁶（3）正样本数=m×n×0.001=1×10¹⁰；负样本=4×10¹⁰；总样本=5×10¹⁰；FLOPs=5×10¹⁰×800=4×10¹³（4）最短时长=4×10¹³FLOPs/312×10¹²FLOPs/s≈128s8.应用题（综合类，共20分）8.1某银行拥有结构化交易数据与大量非结构化客服录音，需构建“客户流失预警+原因洞察”一体化系统。任务要求：A.给出数据链路图，标明存储、计算、模型、展示四层所用开源组件；（6分）B.设计特征交叉方案，使结构化特征（交易频次、金额）与语音情感特征（愤怒、焦虑概率）有效融合；（6分）C.提出可解释性方案，使业务人员能查看“情感波动+交易下降”双重指标触发流失预警的Top3原因；（4分）D.评估阶段采用PR曲线而非ROC曲线，解释其合理性；（4分）答案：A.数据链路：（1）存储层：MySQL存交易、HDFS存语音、Hive分区表；（2）计算层：Flink实时ETL，Spark离线特征；（3）模型层：语音情感用Wav2Vec2微调，结构化特征用LightGBM，融合采用latefusion（加权平均）；（4）展示层：Superset可视化，AlertManager推送预警。B.特征交叉：（1）时间窗对齐：以周为单位聚合交易频次F、金额M；（2）情感序列：对客服录音按周计算愤怒概率A、焦虑概率X；（3）交叉特征：生成F×(1−A)、M×(1−X)，