2025年全国计算机应用水平考试(NIT人工智能应用)考试题目及答案

2025年全国计算机应用水平考试(NIT人工智能应用)考试题目及答案一、单项选择题（本大题共10小题，每小题2分，共20分。在每小题列出的四个选项中，只有一项是最符合题目要求的，请将正确选项的字母填在题后的括号内。）1.人工智能在医疗领域的应用中，以下哪项技术主要用于通过分析医学影像自动识别病灶？（）A.自然语言处理（NLP）技术，用于分析病历文本B.机器学习中的深度学习算法，用于处理图像数据C.专家系统，用于基于规则进行诊断D.强化学习，用于优化手术机器人路径解析：在医疗影像分析中，深度学习算法（如卷积神经网络CNN）通过大量医学图像数据训练，能够自动识别病灶（如肿瘤、结节等），因此B选项正确。NLP主要用于文本分析，专家系统依赖规则库，强化学习适用于动态决策优化，均与题干需求不符。2.在构建智能推荐系统时，协同过滤算法的核心思想是什么？（）A.基于用户历史行为数据，计算用户相似度并推荐相似用户喜欢的物品B.基于物品特征，通过聚类算法将相似物品归类后推荐给用户C.利用深度学习模型，根据用户画像生成个性化推荐结果D.采用贝叶斯网络，预测用户对未交互物品的偏好概率解析：协同过滤算法分为用户协同过滤和物品协同过滤，核心是利用用户或物品的相似性进行推荐。A选项准确描述了用户协同过滤的原理，即通过找到与目标用户兴趣相似的用户群体，推荐该群体喜欢的物品。B选项属于基于内容的推荐，C选项是深度学习推荐，D选项是贝叶斯推荐，均非协同过滤的核心思想。3.以下哪种技术通常用于解决人工智能系统中的数据标注成本高、标注质量不稳定的问题？（）A.半监督学习，利用少量标注数据和大量未标注数据进行训练B.自监督学习，通过数据增强自动生成监督信号C.迁移学习，将在大规模数据集上预训练的模型应用于小规模任务D.增强学习，通过与环境交互动态调整策略以优化目标函数解析：半监督学习通过结合少量标注数据和大量未标注数据，有效降低人工标注成本并提升模型泛化能力，符合题干需求。自监督学习通过数据扰动生成伪标签，迁移学习侧重模型复用，增强学习强调动态决策，均与题干场景不符。4.在自然语言处理中，词嵌入（WordEmbedding）技术的主要目的是什么？（）A.将文本转换为数值向量，以便机器学习模型处理B.通过统计方法提取文本中的关键词C.利用循环神经网络（RNN）进行序列建模D.基于词典构建规则化的语义表示解析：词嵌入技术（如Word2Vec、GloVe）将词汇映射为低维稠密向量，保留词语间的语义关系，实现文本的数值化表示，因此A选项正确。B选项是关键词提取，C选项是RNN应用，D选项是规则化方法，均非词嵌入的核心功能。5.在机器学习模型评估中，过拟合（Overfitting）现象的主要表现是什么？（）A.模型在训练集上表现良好，但在测试集上表现较差B.模型训练时间过长，收敛速度缓慢C.模型参数数量远超数据量，导致泛化能力不足D.模型训练过程中出现梯度爆炸解析：过拟合是指模型对训练数据过度拟合，学习到噪声和细节而非泛化规律，导致测试集性能下降。A选项准确描述了过拟合的典型表现。B选项是训练效率问题，C选项是模型复杂度问题，D选项是优化问题，均非过拟合的直接表现。6.在计算机视觉任务中，以下哪种技术常用于检测图像中的目标物体？（）A.图像分割，将图像划分为不同语义区域B.目标检测，定位并分类图像中的多个物体C.视频摘要，自动生成视频关键帧序列D.图像生成，根据文本描述生成新图像解析：目标检测技术（如YOLO、SSD）在图像中定位并分类多个物体，符合题干需求。图像分割用于区域划分，视频摘要关注时序信息，图像生成属于生成模型，均与题干场景不符。7.在强化学习（ReinforcementLearning）中，Q-learning算法的核心思想是什么？（）A.通过梯度下降优化策略网络参数B.基于贝尔曼方程，迭代更新状态-动作价值函数Q(s,a)C.利用蒙特卡洛方法估计策略的期望回报D.通过多智能体协作学习提升整体性能解析：Q-learning是值函数迭代算法，通过贝尔曼方程更新Q值表，学习最优动作选择策略，因此B选项正确。A选项是策略梯度方法，C选项是蒙特卡洛方法，D选项是多智能体强化学习，均非Q-learning的核心机制。8.在深度学习模型训练中，Dropout技术的主要作用是什么？（）A.通过随机失活神经元，防止模型过拟合B.增加网络层数，提升模型表达能力C.调整学习率，加速模型收敛D.使用批量归一化，稳定训练过程解析：Dropout通过随机禁用部分神经元，强制网络学习冗余表示，降低过拟合风险，因此A选项正确。B选项是网络结构扩展，C选项是优化策略，D选项是归一化技术，均非Dropout的主要功能。9.在知识图谱（KnowledgeGraph）中，以下哪种技术用于表示实体之间的语义关系？（）A.决策树，通过分层规则进行分类B.逻辑回归，预测二元分类结果C.RDF三元组（Subject-Predicate-Object），描述实体关系D.K-means聚类，将实体划分为不同类别解析：知识图谱使用RDF三元组形式（主语-谓语-宾语）表示实体及其关系，因此C选项正确。A选项是分类模型，B选项是回归模型，D选项是聚类算法，均非知识图谱的表示方式。10.在自动驾驶系统中，SLAM（SimultaneousLocalizationandMapping）技术的主要挑战是什么？（）A.如何在动态环境中保持高精度定位B.如何优化传感器数据传输带宽C.如何设计高效的路径规划算法D.如何降低计算平台的能耗解析：SLAM需要在未知环境中同时进行自身定位和地图构建，动态环境下的高精度定位是核心挑战，因此A选项正确。B选项是硬件问题，C选项是路径规划，D选项是能效问题，均非SLAM的主要挑战。二、填空题（本大题共10小题，每小题2分，共20分。请将答案填写在题中横线上。）1.人工智能中的迁移学习（TransferLearning）通过将在______数据集上预训练的模型应用于______数据集，减少对目标任务的标注需求。参考答案：大规模；小规模解析：迁移学习利用源域（大规模）知识辅助目标域（小规模）学习，典型应用如计算机视觉中在ImageNet预训练模型上微调特定任务。2.在自然语言处理中，BERT模型采用______机制实现双向上下文理解，通过预训练学习语言表示。参考答案：Transformer解析：BERT（BidirectionalEncoderRepresentationsfromTransformers）基于Transformer架构，通过掩码语言模型（MLM）和下一句预测（NSP）任务学习双向语境表示。3.机器学习中的交叉验证（Cross-Validation）通常将数据集划分为______个子集，通过轮流留出不同子集作为验证集进行模型评估。参考答案：k解析：k折交叉验证将数据均分为k份，轮流使用k-1份训练、1份验证，计算平均性能，k通常取5或10。4.在计算机视觉中，YOLO（YouOnlyLookOnce）算法通过______检测框架实现实时目标检测，其核心思想是将检测问题转化为回归问题。参考答案：单阶段解析：YOLO属于单阶段检测器，直接预测边界框和类别概率，无需生成候选区域，适合实时场景。5.强化学习中的Q-learning算法通过______更新规则迭代优化状态-动作价值函数Q(s,a)，逐步逼近最优策略。参考答案：贝尔曼方程解析：Q-learning的核心是贝尔曼方程Q(s,a)=γmax_a'Q(s',a')+α(r(s,a)-Q(s,a))，其中γ为折扣因子，α为学习率。6.在知识图谱中，SPARQL是一种用于查询知识图谱的______语言，支持复杂路径和模式匹配。参考答案：声明式解析：SPARQL是非过程化查询语言，用户只需描述所需结果模式，无需指定查询步骤，类似SQL但用于图数据。7.人工智能伦理中的“可解释性AI”（ExplainableAI,XAI）关注如何使AI决策过程______，便于人类理解和信任。参考答案：透明化解析：XAI研究旨在通过特征重要性分析、注意力机制等方法揭示模型决策依据，提升AI系统的可信度。8.在自动驾驶感知系统中，LiDAR（LightDetectionandRanging）通过发射______并测量反射时间来获取环境三维点云数据。参考答案：激光束解析：LiDAR利用激光雷达原理，通过光速和往返时间计算距离，生成高精度环境点云，常用于障碍物检测。9.深度强化学习（DeepReinforcementLearning,DRL）通常使用______网络将高维状态空间映射为低维动作空间，实现连续控制。参考答案：深度神经网络解析：DRL结合深度学习和强化学习，使用深度神经网络处理复杂状态表示（如图像、序列），并输出连续动作（如车辆转向角）。10.在自然语言生成（NaturalLanguageGeneration,NLG）任务中，基于规则的方法通过______模板和语言约束生成文本。参考答案：语法解析：基于规则的方法依赖人工编写的语法规则和句法模板，如模板填充技术，但难以处理开放域生成。三、判断题（本大题共10小题，每小题2分，共20分。请判断下列叙述的正误，正确的填“√”，错误的填“×”。）1.在机器学习模型训练中，学习率过小会导致模型收敛速度缓慢，但不会引发梯度爆炸问题。（×）解析：学习率过小确实导致收敛慢，但也会因更新步长不足而陷入局部最优，而非梯度爆炸。2.卷积神经网络（CNN）通过池化层（Pooling）主要目的是降低计算复杂度，同时保留空间层次特征。（√）解析：池化层通过下采样减少参数量和计算量，同时提供对微小位移和形变的鲁棒性。3.强化学习中的Q-table本质上是一个查找表，存储每个状态-动作对的最优策略。（×）解析：Q-table存储状态-动作价值Q(s,a)，而非策略，策略需通过选择Q值最大的动作获得。4.在知识图谱中，实体和关系都是可变的，可以通过SPARQL动态更新图谱内容。（√）解析：知识图谱支持动态更新，实体和关系可被修改或删除，SPARQL支持插入、删除等操作。5.生成对抗网络（GAN）由生成器（Generator）和判别器（Discriminator）组成，两者通过对抗训练生成逼真数据。（√）解析：GAN通过最小化生成器和判别器的对抗博弈，使生成数据逼近真实分布。6.在自然语言处理中，词袋模型（Bag-of-Words,BoW）忽略了词语顺序和语法结构信息。（√）解析：BoW将文本表示为词频向量，不保留顺序和结构，适用于简单文本分类任务。7.深度学习模型训练中，早停法（EarlyStopping）通过监控验证集性能防止过拟合，需要在验证集上达到最佳性能时停止训练。（×）解析：早停法在验证集性能不再提升时停止训练，不要求必须达到最佳值，以避免过拟合。8.在自动驾驶感知系统中，摄像头（Camera）和毫米波雷达（Radar）数据通常采用传感器融合（SensorFusion）技术提高环境感知精度。（√）解析：融合摄像头（视觉）和雷达（距离）数据可互补优势，提升恶劣天气下的感知能力。9.强化学习中的ε-greedy策略是一种探索-利用平衡方法，通过随机选择动作（概率为ε）探索环境。（√）解析：ε-greedy策略以1-ε概率选择当前最优动作（利用），以ε概率随机探索（探索），避免陷入局部最优。10.在知识图谱推理中，实体链接（EntityLinking）任务将文本中的实体mentions映射到知识图谱中的标准实体。（√）解析：实体链接是自然语言处理与知识图谱交叉任务，通过文本-实体对齐实现知识库扩展。四、简答题（本大题共8小题，每小题2分，共16分。请简要回答下列问题。）1.简述深度学习模型中正则化（Regularization）的主要方法及其作用。参考答案：正则化方法包括L2正则化（权重衰减）、Dropout和早停法。L2通过惩罚大权重防止过拟合，Dropout随机失活神经元增强泛化，早停法监控验证集性能避免过拟合。解析：正则化通过增加模型复杂度惩罚项或改变训练过程，限制模型拟合能力，提升泛化性能。L2正则化通过α||w||²²项限制权重大小，Dropout通过随机禁用神经元强制冗余学习，早停法在验证集性能下降时停止训练。2.解释什么是强化学习中的折扣因子（DiscountFactor,γ）及其取值意义。参考答案：折扣因子γ表示未来奖励的当前价值，取值范围[0,1]。γ=1表示未来奖励与当前同等重要，γ<1表示未来奖励价值衰减。解析：折扣因子γ控制时间贴现，γ=1时忽略时间差异，γ=0时仅关注即时奖励，γ=0.9表示未来奖励价值为当前90%。γ值越小，模型越关注短期目标。3.描述自然语言处理中词嵌入（WordEmbedding）技术的优势及其局限性。参考答案：优势：将词语映射为连续向量，保留语义关系（如“国王-皇后”≈“男人-女人”），降低维度并支持向量运算。局限性：忽略词语多义性，无法表示抽象概念，需要大量训练数据。解析：词嵌入通过降维表示词语，使语义相近词语距离近，支持计算（如词向量相加）。但无法区分同形异义词（如“银行”与金融机构），抽象概念（如“自由”）难以量化，且依赖大规模语料训练。4.解释什么是计算机视觉中的目标检测（ObjectDetection）任务，并列举两种主流方法。参考答案：目标检测定位图像中所有目标并分类，主流方法包括：1）基于候选区域的方法（如R-CNN系列），先生成候选框再分类；2）单阶段检测器（如YOLO、SSD），直接预测边界框和类别。解析：目标检测需同时回答“在哪里”和“是什么”，候选区域方法先通过选择性搜索生成候选框，再分类并优化；单阶段方法将检测视为回归问题，直接输出结果，更适合实时场景。5.简述强化学习（ReinforcementLearning,RL）与监督学习（SupervisedLearning,SL）的主要区别。参考答案：区别：1）RL无标签数据，通过环境交互学习（试错）；SL依赖标注数据（输入-输出对）；2）RL目标是最优策略，SL目标是学习映射函数；3）RL奖励信号稀疏且延迟。解析：强化学习通过智能体（Agent）与环境（Environment）交互，根据奖励（Reward）学习最优行为策略，而监督学习直接学习从输入到输出的映射关系。6.描述知识图谱（KnowledgeGraph,KG）中的实体（Entity）和关系（Relation）如何表示。参考答案：实体表示为节点（Node），关系表示为边（Edge），形成三元组（Subject-Predicate-Object）结构，如（北京-位于-中国）。解析：知识图谱采用图模型，节点代表实体（如城市、公司），边代表关系（如地理包含、隶属），RDF三元组是标准表示形式，支持复杂关系推理。7.解释什么是自然语言生成（NLG）中的模板方法（Template-basedNLG）及其优缺点。参考答案：模板方法通过预定义句法模板填充变量（如[主语]做[动作]），优点是生成结果可控、效率高；缺点是灵活性差、难以处理开放域和复杂语义。解析：模板方法依赖人工编写的句法规则，如“[谁]在[地点]吃[食物]”，通过替换占位符生成文本。优点是生成逻辑清晰，但难以适应新场景，无法表达创造性内容。8.简述自动驾驶（AutonomousDriving）感知系统中的传感器融合（SensorFusion）技术及其意义。参考答案：传感器融合整合摄像头、LiDAR、Radar等数据，通过卡尔曼滤波或深度学习方法互补优势：摄像头提供高分辨率视觉，LiDAR提供精确距离，Radar适应恶劣天气，提升环境感知鲁棒性。解析：单一传感器存在局限性（如摄像头易受光照影响，LiDAR成本高），融合技术通过数据互补减少误判，提高定位、避障等任务的可靠性，是自动驾驶感知的核心技术。五、应用题（本大题共8小题，每小题4分，共24分。请结合实际场景分析下列问题。）1.某医疗AI公司开发胸部X光图像病灶检测系统，现有标注数据集包含10,000张图像，但标注成本高昂。请提出两种利用迁移学习降低标注需求的方案，并说明原理。参考答案：方案1：使用预训练的医学影像模型（如ResNet在ImageNet预训练），在少量胸部X光数据上微调，利用预训练特征减少目标域数据需求。方案2：采用半监督学习，利用未标注X光图像辅助少量标注数据训练，通过一致性正则化或伪标签提升模型泛化能力。解析：迁移学习通过复用源域知识（如ImageNet通用视觉特征）迁移到目标域（胸部X光），减少目标域标注量。半监督学习利用大量未标注数据提供隐式监督信号，降低标注依赖。2.假设你正在开发一个智能客服系统，用户输入“帮我订一张北京到上海的机票”，系统需要理解意图并调用预订接口。请简述该系统可能涉及的自然语言处理技术。参考答案：涉及技术：1）实体识别（NER）提取“北京”“上海”“机票”；2）意图识别判断“订票”需求；3）槽位填充确定航班时间、价格等；4）对话管理（DM）协调多轮交互；5）自然语言生成（NLG）生成确认回复。解析：系统需通过NLP技术理解用户意图，包括分词、词性标注、命名实体识别、意图分类、槽位填充等，最终调用API完成任务，并使用NLG反馈结果。3.在自动驾驶场景中，SLAM技术如何帮助车辆在未知环境中定位和建图？请结合具体算法描述其工作原理。参考答案：SLAM通过LiDAR或摄像头数据，同时估计车辆位姿（Pose）和周围环境地图。典型算法如LSD-SLAM：1）通过激光点云迭代优化位姿；2）使用ICP（IterativeClosestPoint）算法对齐扫描点云；3）构建地图时剔除离群点，生成占据栅格地图。解析：SLAM核心是EKF（扩展卡尔曼滤波）或图优化，通过传感器数据更新车辆轨迹和地图，解决“先有鸡还是先有蛋”的定位建图难题，是自动驾驶导航的基础。4.某电商平台希望利用协同过滤算法推荐商品，但用户评分数据稀疏。请提出解决方案，并说明原理。参考答案：解决方案：采用矩阵分解技术（如SVD），通过隐式反馈（如点击、浏览时长）构建用户-物品评分矩阵，填充缺失值后计算相似度推荐。原理：矩阵分解将评分矩阵分解为用户和物品的低维隐向量，捕捉潜在偏好关系。解析：协同过滤在评分稀疏时效果不佳，矩阵分解通过学习隐向量（如用户兴趣维度、物品属性维度）弥补数据不足，即使无评分也能推荐，适用于冷启动问题。5.在开发智能推荐系统时，如何平衡推荐结果的多样性和准确性？请结合具体技术说明。参考答案：平衡方法：1）采用混合推荐（HybridRecommendation），结合协同过滤（准确）和基于内容的推荐（多样）；2）使用重排序算法（如LambdaMART），在初步推荐后通过学习函数优化多样性；3）引入随机化策略，如随机打乱相似推荐结果。解析：多样性强调推荐结果的广泛性，准确性强调相关性。混合推荐利用不同模型优势，重排序算法通过优化目标函数加入多样性约束，随机化策略增加探索性。6.假设你正在设计一个AI助手，用户说“今天天气怎么样”，系统需要理解并返回天气信息。请简述该系统可能涉及的自然语言理解（NLU）技术。参考答案：涉及技术：1）意图识别判断“查询天气”；2）槽位填充提取地点（默认当前城市）；3）实体链接确认地点实体；4）对话状态跟踪（DST）管理上下文；5）动作选择调用天气API；6）自然语言生成（NLG）返回结果。解析：NLU需通过多轮技术理解用户需求，包括意图分类、实体识别、槽位填充、上下文管理等，最终实现任务完成和自然反馈。7.在开发自动驾驶避障系统时，如何处理传感器数据中的噪声和不确定性？请结合具体方法说明。参考答案：处理方法：1）数据融合，整合摄像头、LiDAR、Radar数据，通过卡尔曼滤波或粒子滤波融合估计；2）鲁棒统计，使用M-估计或RANSAC剔除离群点；3）不确定性量化，为每个传感器测量值附加置信区间，动态调整权重。解析：传感器数据受环境干扰，融合技术通过多源互补提升精度。鲁棒统计方法对异常值不敏感，不确定性量化帮助系统根据置信度决策，增强安全性。8.某公司希望利用深度强化学习（DRL）优化仓库机器人路径规划，请简述DRL在该场景的应用方案。参考答案：方案：1）环境建模：将仓库表示为网格地图，状态包括机器人位置、货物位置；2）奖励设计：奖励函数包括到达目标时间、避障惩罚、移动距离等；3）算法选择：使用A3C或PPO算法训练深度神经网络策略；4）部署优化：将训练策略部署到仿真环境测试，再部署到真实机器人。解析：DRL通过智能体（机器人）与环境（仓库）交互学习最优路径，通过强化信号（奖励）引导学习，适合动态环境优化问题，可提升物流效率。【标准答案及解析】一、单项选择题1.B2.A3.A4.A5.A6.B7.B8.A9.C10.A二、填空题1.大规模；小规模2.Transformer3.k4.单阶段5.贝尔曼方程2.声明式7.透明化8.激光束9.深度神经网络10.语法三、判断题1.×2.√3.×4.√5.√6.√7.×8.√9.√10.√四、简答题1.参考答案：L2正则化通过惩罚大权重防止过拟合，Dropout随机失活神经元增强泛化，早停法监控验证集性能避免过拟合。解析：正则化通过增加模型复杂度惩罚项或改变训练过程，限制模型拟合能力，提升泛化性能。L2正则化通过α||w||²²项限制权重大小，Dropout通过随机禁用神经元强制冗余学习，早停法在验证集性能下降时停止训练。2.参考答案：折扣因子γ表示未来奖励的当前价值，取值范围[0,1]。γ=1表示未来奖励与当前同等重要，γ<1表示未来奖励价值衰减。解析：折扣因子γ控制时间贴现，γ=1时忽略时间差异，γ=0时仅关注即时奖励，γ=0.9表示未来奖励价值为当前90%。γ值越小，模型越关注短期目标。3.参考答案：优势：将词语映射为连续向量，保留语义关系（如“国王-皇后”≈“男人-女人”），降低维度并支持向量运算。局限性：忽略词语多义性，无法表示抽象概念，需要大量训练数据。解析：词嵌入通过降维表示词语，使语义相近词语距离近，支持计算（如词向量相加）。但无法区分同形异义词（如“银行”与金融机构），抽象概念（如“自由”）难以量化，且依赖大规模语料训练。4.参考答案：目标检测定位图像中所有目标并分类，主流方法包括：1）基于候选区域的方法（如R-CNN系列），先生成候选框再分类；2）单阶段检测器（如YOLO、SSD），直接预测边界框和类别。解析：目标检测需同时回答“在哪里”和“是什么”，候选区域方法先通过选择性搜索生成候选框，再分类并优化；单阶段方法将检测视为回归问题，直接输出结果，更适合实时场景。5.参考答案：区别：1）RL无标签数据，通过环境交互学习（试错）；SL依赖标注数据（输入-输出对）；2）RL目标是最优策略，SL目标是学习映射函数；3）RL奖励信号稀疏且延迟。解析：强化学习通过智能体（Agent）与环境（Environment）交互，根据奖励（Reward）学习最优行为策略，而监督学习直接学习从输入到输出的映射关系。6.参考答案：实体表示为节点（Node），关系表示为边（Edge），形成三元组（Subject-Predicate-Object）结构，如（北京-位于-中国）。解析：知识图谱采用图模型，节点代表实体（如城市、公司），边代表关系（如地理包含、隶属），RDF三元组是标准表示形式，支持复杂关系推理。7.参考答案：模板方法通过预定义句法模板填充变量（如[主语]做[动作]），优点是生成结果可控、效率高；缺点是灵活性差、难以处理开放域和复杂语义。解析：模板方法依赖人工编写的句法规则，如“[谁]在[地点]吃[食物]”，通过替换占位符生成文本。优点是生成逻辑清晰，但难以适应新场景，无法表达创造性内容。8.参考答案：传感器融合整合摄像头、LiDAR、Radar等数据，通过卡尔曼滤波或深度学习方法互补优势：摄像头提供高分辨率视觉，LiDAR提供精确距离，Radar适应恶劣天气，提升环境感知鲁棒性。解析：单一传感器存在局限性（如摄像头易受光照影响，LiDAR成本高），融合技术通过数据互补减少误判，提高定位、避障等任务的可靠性，是自动驾驶感知的核心技术。五、应用题1.参考答案：方案1：使用预训练的医学影像模型（如ResNet在ImageNet预训练），在少量胸部X光数据上微调，利用预训练特征减少目标域数据需求。方案2：采用半监督学习，利用未标注X光图像辅助少量标注数据训练，通过一致性正则化或伪标签提升模型泛化能力。解析：迁移学习通过复用源域知识（如ImageNet通用视觉特征）迁移到目标域（胸部X光），减少目标域标注量。半监督学习利用大量未标注数据提供隐式监督信号，降低标注依赖。2.参考答案：涉及技术：1）实体识别（NER）提取“北京”“上海”“机票”；2）意图识别判断“订票”需求；3）槽位填充确定