2026秋国家开放大学开放大学《网络行为分析》(课程ID:53700)形考任务复习题及参考答案_第1页
2026秋国家开放大学开放大学《网络行为分析》(课程ID:53700)形考任务复习题及参考答案_第2页
2026秋国家开放大学开放大学《网络行为分析》(课程ID:53700)形考任务复习题及参考答案_第3页
2026秋国家开放大学开放大学《网络行为分析》(课程ID:53700)形考任务复习题及参考答案_第4页
2026秋国家开放大学开放大学《网络行为分析》(课程ID:53700)形考任务复习题及参考答案_第5页
已阅读5页,还剩22页未读, 继续免费阅读

付费下载

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

国家开放大学·课程代码53700·复习资料2026秋季学期《网络行为分析》形考任务复习题库使用说明:本资料按国家开放大学《网络行为分析》(课程代码53700)2026年秋季学期形成性考核的实际形态编排。该课程为网络核心课,形考为四次论述类作业,每次作业给出一段情境材料与一个论述要求,由辅导教师根据学生作答情况评分,平台上没有单选、多选、判断题。因此本资料的主体是“作业题目+完整参考答案+作答提示”,客观题需求集中在文末附录。第一部分大数据与用户画像一、作业题目在很多应用领域,数据正以史无前例的规模生产和积累。大数据时代人们大多是根据数据本身来进行决策的,大数据分析推动着社会生活的方方面面,请简述大数据给用户画像带来的机遇与挑战。辅导教师根据学生的作答情况给分。二、参考答案(一)先厘清两个概念用户画像(UserProfile/Persona)是把用户在网络上留下的属性数据与行为数据,抽象为一组有语义的标签,从而对用户群体作出的结构化描述。它不是某一个具体的人,而是对具有共同特征的一群人的聚类化表达。其构成通常分三层:人口属性(年龄、性别、地域、学历、职业)、行为属性(浏览、点击、搜索、停留、转发、购买)、心理与价值属性(兴趣偏好、消费能力、生活方式、风险等级)。技术上,画像的生成链条是“数据采集—数据清洗—特征抽取—标签生成—标签体系管理—画像应用”,其中标签体系是核心资产。大数据则是指规模巨大、类型多样、产生速度快而价值密度低的数据集合,通常用“5V”概括:Volume(体量大)、Variety(类型多)、Velocity(速度快)、Value(价值密度低)、Veracity(真实性要求高)。正因为单个行为记录几乎没有价值,而海量记录聚合后能够刻画规律,用户画像才真正成为可能——可以说,用户画像是大数据在“识人”这件事上最典型的落地形态。(二)大数据给用户画像带来的机遇1.数据基础从“抽样”变为“全量”。传统用户研究依赖问卷与访谈,样本几百份、周期数周,结论只能推断总体。大数据环境下,平台可以获取全量用户的全量行为记录,画像由“抽样推断”转向“全量刻画”,覆盖面和颗粒度都发生了质变。2.从“静态属性”走向“动态意图”。过去画像主要靠注册信息,一年半载不变;现在通过实时行为流,可以捕捉“刚刚搜索了婴儿车”“连续三晚浏览考研资料”这类瞬时意图,把画像的时间粒度从年、月压缩到分钟级,使推荐与营销能跟上用户状态的变化。3.精准营销与转化效率提升。基于画像可以进行人群圈选与定向投放,把“广而告之”变为“按需而告”。据行业普遍观测,定向投放的点击率与转化率通常显著高于无差别投放,同时降低了无效曝光带来的成本浪费。4.产品设计与体验优化有了依据。通过画像叠加漏斗分析,可以看清“哪一类用户在哪个环节流失”,从而定位设计缺陷。例如发现“25—30岁新用户在实名认证环节流失率高达60%”,就可以针对该群体简化流程,而不是凭经验猜测。5.用户分层运营与流失预警成为常规能力。以RFM模型(最近消费时间、消费频率、消费金额)或生命周期阶段划分人群,对高价值用户做专属服务、对沉睡用户做唤醒、对流失风险用户做干预,运营资源得以按价值配置。6.风险控制与公共治理受益。金融反欺诈依靠行为画像识别异常设备与异常操作序列;政务服务平台通过画像实现“政策找人”“免申即享”;城市治理中的人口热力与出行画像支撑交通调度与应急管理。(三)大数据给用户画像带来的挑战1.数据质量与“垃圾进、垃圾出”。多源数据存在缺失、重复、口径不一、噪声干扰等问题。若采集端埋点不规范,或不同系统的用户标识无法打通,画像就会出现“同一个用户被算成三个人”的情形,标签失真,后续决策全部偏离。2.冷启动与数据稀疏。新用户几乎没有行为记录,画像只能依赖少量注册信息,标签置信度低;长尾小众群体的样本量不足以支撑稳定聚类,容易被主流标签“淹没”,形成对小众需求的系统性忽视。3.隐私保护与合规红线。画像越精准,意味着对个人信息的挖掘越深入,与《个人信息保护法》确立的合法、正当、必要和诚信原则、最小必要原则、告知同意规则之间的张力越明显。尤其是敏感个人信息(生物识别、行踪轨迹、健康医疗、金融账户)的处理,需要单独同意与更严格的保护措施,超范围采集、私下交易数据的行为面临明确的法律责任。4.算法偏见与标签歧视。画像由历史数据训练而来,历史中存在的偏见会被固化甚至放大。例如以历史招聘数据训练模型,可能延续性别或地域偏好;以消费能力标签做差别定价,则演化为“大数据杀熟”,既损害消费者权益,也违反价格与算法监管要求。5.信息茧房与认知窄化。画像驱动的个性化分发会不断强化用户既有偏好,使用户长期处于同质信息环境,观点趋于极化,公共议题的共识基础被削弱。这是画像在商业上“高效”、在社会层面却“有代价”的典型表现。6.标签的时效性与可解释性不足。用户兴趣会迁移,标签若不及时衰减和更新,就会出现“半年前买过一次猫粮,此后半年一直被推猫粮”的困扰。同时,深度学习生成的隐向量标签难以解释,一旦用户主张“知情—查阅—更正—删除”的权利,平台往往无法说明标签从何而来。7.成本与技术门槛。全量采集、实时计算、标签体系维护都需要持续投入,中小机构难以承担;而画像效果的评估本身也缺少统一标准,容易陷入“堆数据、难见效”的循环。(四)小结大数据把用户画像从“经验判断的辅助工具”提升为“数据驱动的决策基础设施”,其价值在于以更低成本、更高精度理解用户;但画像的每一次精度提升,都对应着一次对个人信息的更深介入。因此,合理的路径是:在技术上坚持数据最小必要与匿名化、去标识化处理,在治理上落实告知同意与算法透明度,在应用上设置人工复核与申诉通道,让画像“可用”而“可控”。这也正是网络行为分析这门课程反复强调的立场——分析能力与合规意识必须同步生长。(五)作答提示开头用两三句话点明“用户画像是大数据识人的落地形态”,中间按“机遇—挑战”两段各列4—6条,每条先给判断句再补一句例证,结尾落到“技术能力与合规治理并重”。全篇控制在1000字左右,条与条之间用“其一、其二”或数字标号,评分点一目了然。

第二部分网络行为数据的采集与分析方法一、作业题目网络行为分析的第一步,是把用户在网络上留下的行为“记录下来”。请结合日志、埋点与网络流量等数据来源,论述网络行为数据的主要采集方式与分析方法,并说明分析过程中应当注意的问题。辅导教师根据学生的作答情况给分。二、参考答案(一)网络行为数据的主要来源网络行为分析的原料是“痕迹”,按其产生方式可分为五类。1.日志数据。包括Web服务器访问日志(记录IP、时间、URL、状态码、User-Agent、Referer)、应用程序日志、系统与安全日志(登录、授权、异常事件)。日志是成本最低、覆盖面最广的行为数据,几乎是所有分析的起点。2.埋点数据。在前端页面或客户端SDK中预置采集代码,主动上报用户的点击、浏览、滑动、停留、加购、支付等事件。埋点数据是“按需定制”的结构化数据,字段清晰,最适合做漏斗与路径分析。3.网络流量数据。通过交换机端口镜像、分光或NetFlow/sFlow采集网络层的流量记录,配合DPI(深度包检测)解析应用层协议,可得到会话级的通信特征,广泛用于异常检测与安全分析。4.业务与第三方数据。业务库中的注册、订单、客服工单数据,以及通过开放API、合规采购、公开数据爬取获得的外部数据,用于补充画像维度。5.主动采集数据。问卷、访谈、可用性测试、实验室眼动与生理测量等,样本小但能回答“为什么”,常与上述被动数据结合使用。(二)主要采集方式1.埋点采集。按实现方式分为三类:代码埋点(在关键位置写入上报代码,字段可控、灵活但维护成本高)、可视化埋点(在页面上圈选元素自动生成采集规则,业务人员可自助操作)、全埋点(自动采集所有点击与页面浏览,覆盖全但数据量大、清洗负担重)。工程上通常“全埋点打底、代码埋点补关键路径”。2.日志采集。常用Flume、Logstash、Filebeat等采集代理,经Kafka缓冲后进入Elasticsearch/HDFS等存储,形成“采集—传输—存储—检索”的管道;ELK(Elasticsearch+Logstash+Kibana)是日志分析最典型的开源组合。3.流量采集。以镜像或分光方式旁路获取数据包,用tcpdump、Tshark、Suricata等工具做协议解析与流量统计;对加密流量,则在合规前提下依据SNI、证书、包长与时序等元数据做特征提取。4.爬虫与API采集。爬虫按既定规则抓取公开页面,须遵守robots协议、控制请求频率、避免对目标站点造成压力;API采集则依据平台授权与调用配额获取结构化数据。5.采集合规要求。采集前明确目的与范围,遵循最小必要;对敏感字段做脱敏或加密;在隐私政策中告知采集项与用途并取得同意;留存期限届满及时删除。(三)主要分析方法1.指标体系与描述统计。以PV、UV、DAU/MAU、新增用户数、人均使用时长、访问深度、跳出率等指标刻画规模与活跃;用均值、分布、同比环比描述趋势,是所有深入分析的地基。2.漏斗分析。把关键业务拆成有序步骤(曝光—点击—详情—加购—下单—支付),计算各步转化率与流失率,定位瓶颈环节。它是“找出问题在哪一步”的最有效工具。3.路径分析与会话回放。还原用户在页面之间的实际跳转序列,识别高频路径与意外回路,配合热力图判断页面元素是否被有效注意。4.留存与同期群分析。按首次使用时间把用户分为不同cohort,观察各组在后续第1、7、30天的留存曲线。留存曲线是否“走平”,是判断产品是否具备长期价值的关键。5.用户分群与RFM。按行为特征聚类(K-means、层次聚类)或用RFM三维打分,把用户分为高价值忠诚、沉睡高价值、低价值新客等群体,实施差异化运营。6.行为序列建模与预测。用马尔可夫链刻画状态转移概率,或用循环神经网络、Transformer对行为序列建模,预测下一步行为与流失概率。7.关联规则与推荐。用Apriori、FP-Growth挖掘“买了A又买B”的频繁项集,支撑交叉销售;协同过滤与向量召回则把行为转化为推荐结果。8.异常检测。先建立正常行为基线(登录时段、常用设备、常用IP段、操作频率),再用统计阈值、孤立森林、One-ClassSVM或自编码器识别偏离基线的行为,用于盗号、刷单、爬虫、内部数据外泄等场景。9.社会网络分析。把用户与互动关系抽象为图,计算度中心性、中介中心性、接近中心性、聚类系数,识别意见领袖与社群结构,常用于舆情与传播分析。10.文本与情感分析。对评论、弹幕、帖子做分词、主题建模(LDA)与情感极性判断,把非结构化文本转为可统计的指标。(四)分析过程中应注意的问题1.数据质量先行。缺失值、重复上报、时钟不同步、字段口径不一致都会直接污染结论。应在采集端做校验,在分析前做清洗与抽样核对,“先对数据,再谈洞察”。2.用户标识要打通。同一用户可能有多设备、多账号、多端登录,需建立统一的ID-Mapping,否则人均指标、留存、漏斗全部失真。3.指标口径必须统一并文档化。同一个“活跃”,是打开即算,还是停留超过5秒才算?口径不统一,跨部门的数据永远对不上。4.警惕采样与幸存者偏差。只看留存用户的行为会高估产品吸引力;只看已成交订单会忽略流失原因。应主动分析“没有发生行为的人”。5.相关不等于因果。转化率上升可能只是同期促销所致,验证因果关系需借助A/B测试、断点回归或双重差分。6.隐私与伦理边界。行为数据天然带有可识别性,聚合数据也可能通过重识别攻击还原个体。应采用去标识化、差分隐私、联邦学习等技术,把“数据可用”与“身份不可见”同时做到。7.安全与权限。采集链路与存储环节要有访问控制、审计日志与加密措施,防止数据在内部被滥用——内部人员的数据外泄往往比外部攻击更难察觉。(五)小结网络行为分析是一条完整的链路:采集决定上限,清洗决定下限,方法决定深度,合规决定能否持续。技术上要把日志、埋点、流量三类数据配合使用,形成“全量覆盖+关键路径精细”的组合;方法上要从描述走向解释与预测,避免停留在报表层面;治理上则要始终把个人信息保护作为前置条件,而不是事后补救。(六)作答提示按“数据来源—采集方式—分析方法—注意问题”四段展开,每段列4—6条并各配一句例证。若题目要求结合具体场景,可选“电商大促防刷单”或“在线学习平台的学习行为分析”作为贯穿案例,全文会更紧凑。

第三部分网络舆情与社交网络分析一、作业题目网络舆情是社会舆情在网络空间的映射。请论述网络舆情的形成与传播机制,并说明如何运用社会网络分析等方法开展网络舆情的监测与研判。辅导教师根据学生作答情况给分。二、参考答案(一)网络舆情的内涵与构成要素网络舆情是公众在互联网空间围绕特定事件、议题或人物所表达的态度、意见与情绪的总和。它由五个要素构成:主体是网民与媒体机构;客体是引发讨论的事件或议题;激体(诱因)是触发舆情的直接事件,往往具有突发性、争议性与道德相关性;本体是舆情信息本身,表现为文本、图片、视频、弹幕等;时空是舆情发生与传播的平台环境与时间窗口。与传统的口耳相传相比,网络舆情有三个显著特征:一是即时性,事件发生后数小时内即可形成规模讨论;二是交互性,评论、转发、二创使公众从旁观者变为参与者;三是情绪化与偏差性,匿名环境降低了表达约束,情绪宣泄、谣言与群体盲从更易出现。(二)网络舆情的形成与传播机制1.生命周期。舆情通常遵循“潜伏—爆发—蔓延—缓和—长尾”的演化路径。潜伏期议题零散出现;爆发期由关键事件或关键账号引爆,讨论量陡增;蔓延期出现议题漂移与二次解读;缓和期官方回应与信息饱和使热度下降;长尾期偶有反复。监测的价值在于把干预点前移到潜伏期与爆发初期。2.意见领袖驱动。信息并非均匀扩散,而是经少数高影响力节点放大。微博大V、短视频达人、行业自媒体往往承担“定义议题”的功能,其立场在很大程度上决定舆情的走向。3.圈层化扩散与跨平台共振。舆情先在兴趣社群、地域社群内发酵,再经由截图、搬运、话题标签跨平台迁移,形成“平台间互相印证”的共振效应。跨平台传播使单点处置失效。4.情绪传染与叙事框架竞争。公众讨论往往不是围绕事实展开,而是围绕“弱者受欺”“权力失范”等既有叙事框架展开。框架一旦确立,后续信息会被选择性吸收,辟谣因此格外困难。5.算法放大效应。推荐系统以互动率为优化目标,冲突性、情绪化内容天然获得更高权重,形成“越激烈越可见”的正反馈,客观上加速极化。6.媒体与官方回应的双向塑造。传统媒体的介入会把网络议题升级为公共议题;官方回应的时点、措辞与渠道,则直接影响舆情的走向与持续时间。(三)社会网络分析在舆情监测中的应用社会网络分析(SNA)把传播结构抽象为“节点—边”的图,正好回答“谁在说、谁在传、传给了谁”。1.中心性分析。度中心性识别发帖多、连接广的活跃节点;中介中心性识别处于信息必经之路的“桥节点”,这类节点往往是小圈层之间的关键传导者;接近中心性衡量节点到达全网的最短距离。三者结合可快速锁定需要重点沟通的对象。2.社群发现。用Louvain、标签传播等算法划分社群,观察各社群的规模、情感极性与话语差异。舆情处置常常不是说服全网,而是分别与若干社群对话。3.结构洞与传播路径。识别社群之间的结构洞,可以判断信息跨越圈层的通道;结合级联分析还原转发链路,能定位“引爆点”与传播高峰的时间戳。4.传播预测模型。SI、SIR等传染病模型及其改进型可用于估计传播规模与衰减速度;结合节点影响力与历史事件数据,可给出热度曲线预测,为回应时机提供依据。5.情感分析与主题建模。对文本做情感极性判断与细粒度情绪分类(愤怒、焦虑、嘲讽、支持),用LDA提取主题,绘制“情感—主题”矩阵,判断舆情的核心争议究竟是事实之争、责任之争还是情绪之争。(四)舆情监测与研判的工作流程1.数据采集。确定监测对象与关键词表(含同义词、谐音、缩写),覆盖微博、短视频、论坛、新闻客户端、评论区等渠道,按小时级频率采集。2.数据清洗与结构化。去重、去广告、剔除机器人账号(依据发帖频率、注册时间、文本相似度判断),统一时间与地域字段。3.指标监测。跟踪声量(讨论总量)、增速(单位时间增量)、情感倾向占比、关键节点活跃度、跨平台扩散度等指标,设置阈值告警。4.分级研判。按“事件性质、传播范围、情感强度、现实风险”四个维度划分等级(如一般关注、重点关注、紧急处置),并回答四个问题:事实是否清楚、诉求是否合理、情绪是否可控、是否存在次生风险。5.处置与引导。原则是“快报事实、慎报原因”:第一时间说明已关注、已核查;随后公布调查进展与处理结果;对谣言以事实和证据回应,避免简单删帖引发对抗;同时通过权威账号、意见领袖与社群沟通多点发声。6.复盘评估。记录舆情全过程的时间线、关键节点与处置效果,形成案例库,为下一次研判提供参照。(五)现实难点一是谣言与情绪先行,事实核查的速度永远追不上情绪扩散的速度;二是跨平台数据割裂,单一平台的监测无法还原全貌;三是研判的主观性,同一组数据不同人可能得出不同结论,需要建立多维指标与集体研判机制;四是处置尺度,过度干预会损害表达空间,放任不管则可能放大风险,边界需要依法依规把握。(六)小结网络舆情不是“网上的闲话”,而是社会治理的重要信号。理解其生命周期与传播机制,是为了在正确的时间、对正确的节点、用正确的方式说话;运用社会网络分析,则让“对谁说话”这件事从经验判断变成结构判断。技术提供的是望远镜与显微镜,最终决定效果的仍是回应的事实基础与态度诚意。(七)作答提示建议按“要素与特征—形成传播机制—SNA方法—监测研判流程—难点”五段展开。若题目给出具体案例,把案例的时间线嵌入“生命周期”一段,并在“处置”部分给出3条可操作建议,得分点会更实在。

第四部分算法推荐、行为引导与数据伦理一、作业题目个性化推荐已成为网络平台主要的信息分发方式。请论述算法推荐对用户网络行为的影响,并分析平台在数据利用与隐私保护之间应当如何平衡。辅导教师根据学生作答情况给分。二、参考答案(一)算法推荐的基本原理推荐系统的任务,是在海量候选中预测用户对每一项内容的偏好并排序。主流技术路线有三条:协同过滤(基于“相似用户喜欢相似内容”或“相似内容被同一用户喜欢”,前者为用户协同,后者为物品协同)、基于内容的推荐(抽取内容标签与用户画像标签做匹配)、混合与深度模型(把用户行为序列、上下文、内容特征一起输入神经网络,用向量召回加排序模型完成分发)。近年大模型的应用,使推荐从“匹配标签”进一步走向“理解意图”。推荐的目标函数通常由三部分构成:用户侧指标(点击率、停留时长、完播率、互动率)、平台侧指标(日活、留存、商业化收入)、约束条件(内容安全、多样性、时效性)。目标函数如何设定,直接决定了算法会把用户带向哪里——这是理解后文影响的关键。(二)算法推荐对用户网络行为的影响正面影响主要有四点。其一,降低信息获取成本。在海量内容中,推荐把“人找信息”变为“信息找人”,显著提升了匹配效率。其二,激活长尾供给。小众内容依靠精准分发也能找到受众,创作者不必依赖头部流量。其三,提升发现性与体验连贯性。基于序列的推荐能理解上下文,使浏览体验更顺畅。其四,支撑个性化服务落地。学习平台按掌握程度推送练习,电商按需求推送商品,公共服务按条件推送政策,都是推荐的正向价值。负面影响则需要正视。其一,信息茧房与回音室效应。以互动率为目标的推荐会不断强化既有偏好,用户长期处于同质信息环境,接触异质观点的机会减少,观点趋于极化。其二,注意力被系统性争夺。无限下滑、自动播放、强提醒等设计配合精准推荐,容易形成过度使用,青少年群体尤其明显。其三,隐私的渐进式让渡。推荐精度依赖行为数据的持续采集,用户往往在“用便利换数据”的过程中不知不觉交出了行踪、通讯录、生物特征等敏感信息。其四,算法歧视与差别定价。以消费能力标签做差别待遇,即所谓“大数据杀熟”,损害消费者公平交易权。其五,认知与判断能力的弱化。当选择被替代,用户对信息的主动筛选与批判性阅读能力可能退化。其六,内容生态的劣币倾向。标题党、情绪化内容因更易获得点击而获得更高权重,优质但“不抓眼球”的内容被挤压。需要强调的是,这些影响并非算法的“技术必然”,而是目标函数设计、产品机制与商业模式的合成结果。同一种技术,目标函数改为“长期满意度”或加入多样性约束,结果会明显不同。(三)数据利用与隐私保护的平衡路径1.法律层面:明确边界。以《个人信息保护法》确立的合法、正当、必要和诚信原则为总纲,落实最小必要、告知同意、目的限制、单独同意(敏感个人信息)、可撤回同意等规则;以《数据安全法》落实分类分级保护;以《互联网信息服务算法推荐管理规定》落实算法备案、透明度、用户关闭选项与不得诱导沉迷等要求。法律划定的是“不可逾越的底线”,而非“鼓励的上限”。2.技术层面:让数据“可用不可见”。推广去标识化与匿名化处理,使分析在不识别特定个体的前提下进行;采用差分隐私在统计结果中加入可控噪声;采用联邦学习让模型在本地训练、只上传参数;采用安全多方计算与可信执行环境,实现“数据不出域、模型可协同”。这些技术使精准与隐私不再是非此即彼。3.产品层面:把选择权交还用户。提供推荐关闭开关、兴趣标签可查看可编辑、隐私设置分级、青少年模式与使用时长提醒;对“猜你喜欢”给出“为什么推荐这个”的简要说明,让推荐可解释、可干预。4.治理层面:建立内部约束与外部监督。设置算法伦理委员会或数据保护负责人,开展个人信息保护影响评估;对推荐效果做“多样性、时效性、新颖性”的定期审计,防止唯点击率论;建立用户申诉与人工复核通道,对差别定价等高风险应用实行事前评估。5.价值层面:把“长期利益”写进目标函数。平台应把用户长期满意度、内容质量、社会效益纳入优化目标,而不是只优化即时互动。这既是合规要求,也是可持续经营的前提——过度消耗用户信任的推荐,最终会反噬平台自身。(四)小结算法推荐是中性工具,其社会效果取决于“优化什么”和“约束什么”。合理的平衡不是降低分析能力,而是把分析置于规则之内:以法律定边界,以技术降风险,以产品给选择,以治理保落实。对网络行为分析这门课程而言,这恰恰说明了一个基本判断——能分析不等于该分析,会推荐不等于可无度推荐;技术能力越强,越需要伦理自觉。(五)作答提示按“原理—影响(正负两面)—平衡路径(法律、技术、产品、治理、价值五个层面)—小结”组织。举例时优先用自己熟悉的平台(如短视频、电商、学习App),说明“目标函数变了,结果就会变”,这句话往往能体现思考深度。

附录期末考试客观题复习题库一、单项选择题(第1—60题)1.网络行为分析的主要目的是()。A.提升网络带宽利用率B.通过对网络与用户行为数据的采集和分析,识别行为模式、规律与异常C.降低服务器硬件采购成本D.扩大数据存储容量【答案】B2.网络行为分析系统的流程起点是()。A.数据采集B.结果可视化C.告警处置D.模型评估【答案】A3.用户行为分析中,DAU指的是()。A.月活跃用户数B.日活跃用户数C.新增用户数D.同时在线人数【答案】B4.衡量用户粘性最核心的指标是()。A.页面浏览量B.留存率C.注册转化率D.客单价【答案】B5.漏斗分析主要用于解决()。A.用户画像的标签生成问题B.转化路径中各环节的流失定位问题C.网络流量的带宽分配问题D.数据存储的压缩问题【答案】B6.UV指的是()。A.页面浏览量B.独立访客数C.会话数D.点击量【答案】B7.PV指的是()。A.页面浏览量B.独立访客数C.停留时长D.跳出次数【答案】A8.在页面或客户端中嵌入代码以记录用户点击、浏览等事件的数据采集方式是()。A.网络爬虫B.埋点采集C.端口镜像D.问卷访谈【答案】B9.下列属于日志采集常用组件的是()。A.FlumeB.TableauC.SeleniumD.Wireshark【答案】A10.ELK技术栈中负责数据可视化展示的组件是()。A.ElasticsearchB.LogstashC.KibanaD.Kafka【答案】C11.旁路获取网络数据包最常用的方式不包括()。A.交换机端口镜像B.分光器分光C.网络测试仪接入D.修改目标主机的应用程序代码【答案】D12.DPI指的是()。A.深度包检测B.数据隐私隔离C.动态端口识别D.分布式处理接口【答案】A13.NetFlow主要提供的是()。A.完整的数据包载荷内容B.网络流量的会话级统计信息C.用户账号的登录凭据D.应用层的业务订单数据【答案】B14.网络爬虫采集公开数据时首先应当遵守()。A.目标网站的robots协议B.浏览器默认设置C.操作系统安全策略D.数据库的存储过程【答案】A15.只采集自上次采集以来发生变化的数据,这种方式称为()。A.全量采集B.增量采集C.抽样采集D.随机采集【答案】B16.K-means算法属于()。A.有监督分类算法B.无监督聚类算法C.关联规则算法D.强化学习算法【答案】B17.决策树在网络行为分析中通常用于()。A.无监督聚类B.有监督分类与预测C.数据压缩D.网络路由选择【答案】B18.Apriori算法主要用于()。A.关联规则挖掘B.图像识别C.语音合成D.加密解密【答案】A19.最早提出“用户画像”(Persona)概念的学者是()。A.艾伦·库珀B.艾伦·图灵C.香农D.麦卡锡【答案】A20.用户画像的本质是()。A.一份完整记录单个用户全部信息的档案B.基于用户属性与行为数据形成的标签化用户模型C.一组用户注册时填写的问卷答案D.数据库中的用户登录日志【答案】B21.RFM模型中的R指的是()。A.最近一次消费的时间B.消费的频率C.消费的金额D.用户的注册时长【答案】A22.RFM模型中的F指的是()。A.最近一次消费的时间B.消费的频率C.消费的金额D.用户的活跃天数【答案】B23.RFM模型中的M指的是()。A.最近一次消费的时间B.消费的频率C.消费的金额D.用户的生命周期阶段【答案】C24.按用户首次使用产品的时间分组,追踪各组后续行为变化,这种方法是()。A.漏斗分析B.同期群分析C.路径分析D.关联分析【答案】B25.A/B测试的主要作用是()。A.描述数据的分布特征B.验证某一策略相对于对照组的因果效果C.对用户进行聚类分组D.清洗数据中的缺失值【答案】B26.度中心性衡量的是()。A.节点与其他节点直接相连的数量B.节点作为最短路径桥梁的程度C.节点邻居之间相互连接的程度D.节点到达全网的平均距离【答案】A27.衡量一个节点在信息传播中充当“桥梁”作用的指标是()。A.度中心性B.中介中心性C.聚类系数D.网络密度【答案】B28.聚类系数反映的是()。A.网络中节点的总数B.节点邻居之间也相互连接的程度C.节点之间的平均最短路径D.网络中度数最大的节点【答案】B29.常用于社群发现(社区划分)的算法是()。A.Louvain算法B.Apriori算法C.线性回归D.主成分分析【答案】A30.LDA模型在文本分析中主要用于()。A.情感极性判断B.主题发现与提取C.分词与词性标注D.语音识别【答案】B31.对用户评论判断其属于正面、负面还是中性,属于()。A.主题建模B.情感分析C.关联规则挖掘D.聚类分析【答案】B32.异常检测的基本思路是()。A.先建立正常行为基线,再识别显著偏离基线的行为B.先删除全部历史数据,再重新采集C.只统计访问量最大的页面D.把所有用户都标记为异常候选【答案】A33.下列适用于异常检测的算法是()。A.孤立森林B.线性判别分析C.朴素贝叶斯分类D.层次聚类中的Ward法【答案】A34.推荐系统出现“冷启动”问题,通常是因为()。A.服务器算力不足B.新用户或新物品缺少历史行为数据C.用户数量过多D.网络带宽不足【答案】B35.用户长期只接触与自身偏好同质的信息、难以接触异质观点,这一现象称为()。A.信息茧房B.长尾效应C.网络外部性D.摩尔定律【答案】A36.大数据的5V特征中,Value指的是()。A.数据体量巨大B.数据类型多样C.数据产生速度快D.数据价值密度低【答案】D37.《中华人民共和国个人信息保护法》正式施行的时间是()。A.2017年6月1日B.2020年1月1日C.2021年11月1日D.2022年3月1日【答案】C38.处理个人信息应当具有明确、合理的目的,并限于实现处理目的的最小范围,这体现的是()。A.最小必要原则B.公开透明原则C.诚信原则D.质量原则【答案】A39.处理敏感个人信息,除取得一般同意外,还应当取得()。A.口头告知B.单独同意C.默示同意D.概括授权【答案】B40.个人信息经过处理无法识别特定自然人且不能复原,这一处理称为()。A.去标识化B.匿名化C.脱敏D.加密【答案】B41.去除个人信息中的身份标识、但借助额外信息仍可能重新识别到个人的处理称为()。A.匿名化B.去标识化C.删除D.销毁【答案】B42.通过在统计结果中加入受控噪声来保护个体信息的隐私技术是()。A.差分隐私B.数据脱敏C.访问控制D.数字水印【答案】A43.联邦学习的核心特点是()。A.把全部原始数据集中上传到中心服务器B.模型在数据本地训练,仅上传模型参数或梯度C.用人工方式给数据打标签D.对所有数据做完全公开【答案】B44.将手机号中间四位替换为星号,属于()。A.匿名化B.数据脱敏C.差分隐私D.联邦学习【答案】B45.《互联网信息服务算法推荐管理规定》正式施行的时间是()。A.2020年1月1日B.2021年11月1日C.2022年3月1日D.2023年1月1日【答案】C46.关于算法推荐服务提供者的义务,下列说法正确的是()。A.无需向用户说明推荐规则B.应当以显著方式告知用户其提供算法推荐服务的情况,并公示基本原理、目的和主要运行机制C.不得向用户提供关闭推荐服务的选项D.可以随意利用用户数据进行差别定价【答案】B47.平台设置“青少年模式”的主要目的是()。A.提高广告点击率B.防止未成年人沉迷网络、保护其身心健康C.限制用户注册数量D.提升推荐精度【答案】B48.网络舆情的“本体”指的是()。A.发布信息的网民B.引发讨论的事件C.舆情信息本身,即文本、图片、视频等内容D.传播所依托的平台【答案】C49.网络舆情生命周期中,讨论量在短时间内急剧上升的阶段是()。A.潜伏期B.爆发期C.缓和期D.长尾期【答案】B50.在舆情传播中能够“定义议题”、显著影响走向的高影响力节点通常被称为()。A.沉默的大多数B.意见领袖C.边缘节点D.僵尸账号【答案】B51.网络舆情监测工作的第一步是()。A.确定监测对象与关键词,开展数据采集B.撰写分析报告C.发布官方通报D.处置谣言【答案】A52.在用户会话(Session)切分中,常用的超时阈值是()。A.3分钟B.30分钟C.3小时D.24小时【答案】B53.Web访问日志中的User-Agent字段主要记录()。A.客户端浏览器与操作系统信息B.服务器物理地址C.用户真实姓名D.页面加载时间【答案】A54.Web访问日志中的Referer字段主要记录()。A.请求来源页面的地址B.目标服务器的IPC.用户的登录密码D.数据库连接串【答案】A55.HTTP状态码404表示()。A.请求成功B.请求的资源不存在C.服务器内部错误D.需要身份认证【答案】B56.全埋点采集方式的主要缺点是()。A.无法采集点击事件B.采集数据量大、冗余多,清洗与存储负担重C.必须逐行修改业务代码D.只能采集服务端数据【答案】B57.下列属于非结构化数据的是()。A.用户年龄字段B.订单金额字段C.用户评论的文本内容D.商品库存数量【答案】C58.数据清洗中处理重复上报记录的方法是()。A.去重B.插值C.归一化D.分箱【答案】A59.跳出率指的是()。A.用户只浏览一个页面即离开的访问次数占全部访问次数的比例B.用户完成支付的比例C.用户注册成功的比例D.用户分享内容的比例【答案】A60.把分析结果以图表形式直观呈现,这一环节属于()。A.数据采集B.数据清洗C.可视化分析D.数据备份【答案】C二、多项选择题(第61—80题)61.网络行为分析常用的数据来源包括()。A.服务器与应用日志B.前端埋点数据C.网络流量数据D.业务系统数据【答案】ABCD62.常见的埋点采集方式有()。A.代码埋点B.可视化埋点C.全埋点D.抽样问卷调查【答案】ABC63.下列属于用户行为分析常用指标的有()。A.PV与UVB.DAU与MAUC.留存率D.转化率【答案】ABCD64.漏斗分析可应用于下列哪些场景()。A.注册流程转化分析B.加购到支付的转化分析C.在线课程的学习完课分析D.服务器硬盘故障率分析【答案】ABC65.用户画像的标签通常涵盖()。A.人口属性B.行为属性C.兴趣偏好D.消费能力【答案】ABCD66.社会网络分析中的中心性指标包括()。A.度中心性B.中介中心性C.接近中心性D.聚类系数【答案】ABC67.网络舆情监测常用的量化指标有()。A.讨论声量B.声量增速C.情感倾向占比D.跨平台扩散度【答案】ABCD68.下列属于隐私增强技术的有()。A.差分隐私B.联邦学习C.安全多方计算D.匿名化处理【答案】ABCD69.处理个人信息应当遵循的原则包括()。A.合法、正当、必要和诚信B.最小必要C.告知同意D.目的限制【答案】ABCD70.网络行为异常检测常用的方法有()。A.统计阈值法B.孤立森林C.One-ClassSVMD.自编码器【答案】ABCD71.评价数据质量通常关注的维度有()。A.完整性B.准确性

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论