人工智能面试题及答案.docxVIP

人工智能面试题及答案

一、基础理解题

问题：在做用户行为分析时，为什么有时用决策树而不是逻辑回归？请结合实际场景说明。

答案：逻辑回归更适合线性可分的简单场景，比如通过“是否点击广告”“浏览时长是否超5分钟”两个特征判断用户是否感兴趣。但如果场景复杂，比如分析“用户是否会购买高端家电”，需要考虑“年龄层（25-35/35-45）”“历史购买品类（家电/数码/服饰）”“是否有优惠券（有/无）”“城市等级（一线/二线）”等多个非线性关联的特征，决策树能更直观地体现特征间的层级关系——比如先看城市等级，再看历史购买品类，最后看优惠券，结果也更容易解释给非技术的业务同事，而逻辑回归处理这类多特征非线性关系时，需要手动做特征交叉，成本更高。

问题：什么是“梯度消失”？在训练图像识别模型（比如识别猫咪）时，怎么避免这个问题？

答案：梯度消失简单说就是训练深层模型时，前面的层（靠近输入图像的层）参数几乎不更新，就像“信号传不到源头”。比如训练一个10层的猫咪识别模型，原本想通过调整第一层“边缘检测”的参数来优化识别accuracy，但反向传播时，梯度经过多层计算后变得特别小，第一层参数基本没变化。避免的话，实际中常用两种方法：一是用残差网络（ResNet），给深层加“shortcut连接”，让梯度能直接传回到前面的层；二是用ReLU激活函数，代替过去的Sigmoid，因为Sigmoid会把输出压在0-1之间，梯度容易变小，而ReLU在正数区间梯度恒为1，能减少梯度消失的情况。

二、实际应用题

问题：做电商平台的商品推荐时，协同过滤算法（基于用户相似性推荐）可能遇到“冷启动”问题，怎么解决？

答案：冷启动主要是新用户/新商品没有行为数据，没法算相似性。实际工作中会分场景处理：比如新用户刚注册时，先通过注册信息（比如选的兴趣标签“喜欢运动/美妆”）或首屏点击（比如第一次点了“跑步鞋”），先推荐标签相关的热门商品，这叫“基于内容的推荐”，不用依赖用户历史行为；新商品上架时，先让运营给商品打精准标签（比如“轻薄笔记本/15.6英寸/适合学生”），然后推荐给过去买过同类标签商品的用户，等积累了10-20个用户的点击/购买数据后，再切换回协同过滤，这样就能过渡到正常推荐。

问题：训练一个工厂产品质检的图像模型（比如检测零件表面划痕），出现“过拟合”（训练集准确率98%，测试集只有70%），你会从哪些角度解决？

答案：过拟合就是模型“学太死”，把训练集里的噪声（比如零件表面的反光）当成了判断划痕的特征。实际解决会分三步：首先看数据，比如训练集里划痕零件只有100张，正常零件有1000张，先做数据平衡，比如给划痕零件做“数据增强”——旋转、翻转、加轻微模糊，把数量补到500张，同时从正常零件里随机删200张，减少数量差距；然后改模型，比如在卷积层后加“Dropout”，每次训练随机让30%的神经元不工作，避免模型过度依赖某几个特征；最后看是否用了太复杂的模型，比如一开始用了10层的CNN，换成5层的，再重新训练，通常能缓解过拟合。

三、工程落地题

问题：把训练好的NLP模型（比如客服聊天机器人）部署到线上后，发现响应速度很慢（用户发消息后要等2秒才回复），可能的原因是什么？怎么优化？

答案：常见原因有三个，对应优化方法也不同。第一是模型太大，比如用了12层的BERT模型，推理时计算量大，这时可以做“模型压缩”——把32位浮点数换成16位，甚至8位整数，精度下降很少，但速度能提升2-3倍；第二是数据预处理耗时，比如用户消息要做分词、词性标注，每次都重新计算，这时可以缓存常用词的处理结果，或者用更轻量的分词工具（比如用Jieba代替复杂的LTP）；第三是服务器资源不够，比如只开了1个推理进程，这时可以用“批量推理”——把10个用户的请求凑成一批一起处理，同时增加推理进程数（比如根据CPU核心数开4-8个），但要注意批量不能太大，否则会增加单个用户的等待时间。

问题：用AI做用户留存预测（预测用户30天内是否会流失），怎么判断模型的预测结果是有用的，而不是“瞎猜”？

答案：不能只看准确率，得结合业务场景看两个指标，还要做对比实验。首先看“精准率”和“召回率”，比如模型预测会流失的用户里，实际真的流失的比例（精准率）要高，比如达到60%以上，这样运营团队针对这些用户做召回活动（比如发优惠券）才不会浪费资源；同时，实际流失的用户里，被模型预测到的比例（召回率）也要高，比如达到50%以上，避免漏太多需要召回的用户。另外，必须和“