2025年高频广西移动ai面试题库及答案.docxVIP

2025年高频广西移动ai面试题库及答案

一、机器学习基础

1.监督学习与无监督学习的核心区别是什么？在广西移动用户行为分析场景中，如何选择这两类方法？

监督学习依赖带标签的训练数据（如用户是否流失的标签），目标是学习输入到标签的映射；无监督学习处理无标签数据（如用户通话、流量使用记录），目标是发现数据内在结构（如用户分群）。在广西移动用户画像项目中，若需预测用户是否会办理新套餐（有明确正负样本），优先用监督学习（如逻辑回归、XGBoost）；若需挖掘潜在用户群体特征（无预设标签），则用无监督学习（如K-means聚类、DBSCAN），结合业务规则（如套餐偏好、消费层级）验证分群效果。

2.交叉验证的作用是什么？在小样本场景（如广西移动新业务上线初期用户行为数据少）中，如何优化交叉验证策略？

交叉验证通过将数据划分为训练集和验证集，评估模型泛化能力，避免单次划分的偶然性。小样本场景下（如某县新推5G融合套餐，仅500条用户数据），可采用留一法（LOOCV）或分层K折交叉验证：分层K折能保持各折中正负样本比例与原数据一致（如流失用户占比15%），避免因随机划分导致某折中标签分布失衡；若数据量极小（100），可结合Bootstrap方法，通过有放回抽样提供多个子集，评估模型稳定性，同时引入先验知识（如全省同类业务的用户特征权重）辅助模型训练。

3.梯度消失的主要原因是什么？在广西移动AI模型（如用户行为序列预测的LSTM模型）中，如何解决？

梯度消失源于深层网络中反向传播时梯度经多层激活函数（如Sigmoid）后逐渐趋近于0，导致底层参数更新缓慢。在LSTM预测用户月度流量使用序列（如30天的流量数据预测第31天）时，可通过以下方法缓解：①使用ReLU或LeakyReLU替代Sigmoid作为隐藏层激活函数，其导数在正区间为1，避免梯度衰减；②采用残差连接（类似ResNet思想），在LSTM的遗忘门、输入门中添加跳跃连接，直接传递部分梯度；③初始化时调整权重矩阵的尺度（如Xavier初始化），确保前向传播时激活值方差稳定，反向传播时梯度大小合适；④限制网络深度，结合广西移动用户行为序列的周期性（如周度、月度波动），将序列拆分为短窗口（如7天为一个窗口），降低模型深度需求。

二、深度学习与算法优化

4.Transformer中的自注意力机制是如何计算的？在广西移动智能客服的多轮对话场景中，如何设计注意力头以提升意图理解准确率？

自注意力通过查询（Query）、键（Key）、值（Value）矩阵的点积计算相关性：注意力得分=softmax(QK?/√d_k)V，其中d_k为键向量维度。在智能客服处理用户“套餐变更-流量查询-投诉处理”多轮对话时，需设计多组注意力头捕捉不同维度的依赖关系：①位置注意力头：关注对话轮次顺序（如用户第3轮提到“之前说的套餐”需关联第1轮内容）；②实体注意力头：提取“套餐名称”“流量额度”“投诉类型”等关键实体，增强对业务术语的敏感度；③情感注意力头：通过文本情感分析（如用户语气从“咨询”转为“急躁”）调整响应策略。实际项目中，广西移动通过实验对比，8头注意力在对话意图分类任务中F1值比4头提升3.2%，且未显著增加计算量（因采用分组注意力优化）。

5.如何解决CNN在广西移动图像类任务（如基站设备巡检图像的故障检测）中的小目标检测问题？

基站设备巡检图像中，小目标可能是天线接口松动（像素占比5%）或线缆破损（细长形），传统CNN因下采样导致特征图分辨率降低，易丢失小目标细节。解决方案：①多尺度特征融合：在YOLOv5或FasterR-CNN中，引入FPN（特征金字塔网络），将浅层高分辨率特征（保留细节）与深层语义特征（包含上下文）融合，输出不同尺度的检测头（如16×16、32×32、64×64特征图）；②数据增强：对小目标图像进行复制粘贴（Copy-Paste），在不改变背景的前提下增加小目标数量，提升模型对小目标的敏感度；③损失函数调整：采用GIoULoss替代传统IoULoss，解决小目标因重叠面积小导致的梯度消失问题，同时增加焦点损失（FocalLoss），降低简单样本（如无故障背景）的权重，聚焦难例（小故障目标）；④超分辨率预处理：对输入图像进行SRGAN超分辨率重建，将低分辨率小目标放大，再输入检测模型，实验显示该方法可使小目标检测AP提升约5%。

三、项目经验与场景落地

6.描述一次你在AI项目中处理数据不平衡的经历（如广西移动用户流失预测，正样本仅占3%）。你采取了哪些方法？效果如何？

在广西某地市分公司的用户流失预测项目中，正样本（流失用户）占比3.1%，负样本（留存用户）占比96.9%，直接