一、业务分析

更新时间：试题数量：购买人数：提供作者：

有效期：个月

章节介绍：共有个章节

收藏

我的练习

我的错题
(0道)

我的收藏
(0道)

我的斩题
(0道)

我的笔记
(0道)

专项练习

顺序练习 练习进度 0 / 0

随机练习 自定义设置练习量

模拟考试 仿真模拟

题型练习 按题型分类练习

易错题 精选高频易错题

学习资料 考试学习相关信息

搜索

题库预览

一、业务分析

题干：某文旅平台计划开发文旅景点智能导览问答系统，基于景点介绍、游玩攻略、游客咨询记录、地域文化资料等数据，为游客提供景点咨询、路线规划等智能解答。请结合业务特征和AI技术要求，完成以下简答题：

1.简述该系统业务数据采集的核心来源及采集的核心原则

简述文旅导览数据处理流程中需重点完成的核心工作

若系统出现“游客问题解答针对性弱”的问题，分析可能原因并给出1条优化方案

二、智能训练题干：基于文旅短视频标题+文案文本开展短视频话题分类模型训练（需识别自然风光、人文古迹、美食探店、游玩攻略等7类话题），完成以下简答题和代码填空：简述文旅短视频文本数据的清洗标准（至少3条）

2.制定文旅短视频话题分类标注规范，明确标注范围、核心规则

3. 代码填空：以下是短视频文本数据预处理与数据集划分的Python代码片段，请补充关键代码 1.import pandas as pd 2.import re 3.from sklearn.model_selection import train_test_split 4. 5.# 读取原始数据（列名：video_id, title, content, label） 6.data = pd.read_csv("travel_video.csv") 7.# 合并标题和文案作为模型输入文本 8.data["text"] = data["title"] + " " + data["____content___"] 9. 10.# 数据清洗：去除特殊符号、乱码、多余空格 11.def clean_text(text): 12. text = re.sub(r"[^\u4e00-\u9fa5a-zA-Z0-9\s]", "", text) 13. text = re.sub(r"\s+", " ", text).strip() 14. return text 15. 16.data["clean_text"] = data["text"].apply( clean_text ) 17.# 过滤空文本 18.data = data[data["clean_text"] != ""].reset_index(drop=True) 19. 20.# 按8:2划分训练集和测试集，分层抽样保证类别分布 21.train_data, test_data = train_test_split( 22. data, 23. test_size= 0.2______, 24. random_state=42, 25. stratify=data["__label________"] 26.) 27. 28.# 保存处理后的数据集 29.train_data.to_csv("travel_train.csv", index=False) 30.test_data.to_csv("travel_test.csv", index=False)

4. 代码填空：以下是基于TextCNN的短视频话题分类模型训练核心代码片段，请补充关键代码 1.from sklearn.feature_extraction.text import TfidfVectorizer 2.from sklearn.linear_model import LogisticRegression 3.from sklearn.metrics import classification_report 4. 5.# 特征提取：TF-IDF向量化，保留TOP5000关键词 6.tfidf = TfidfVectorizer(max_features=5000, ngram_range=(1,2)) 7.X_train = tfidf.fit_transform(train_data[" clean_text "]) 8.X_test = tfidf.transform(test_data["clean_text"]) 9. 10.# 模型训练 11.model = LogisticRegression(max_iter=200, random_state=42) 12.model.fit( X_train , train_data["label"]) 13. 14.# 模型预测与评估 15.y_pred = model.predict(X_test) 16.print(classification_report(test_data["label"], y_pred))

5.若测试发现美食探店与游玩攻略类视频易混淆”，分析错误原因并给出纠正方法

三、智能系统设计题干：针对社区智慧养老平台开发智能需求匹配系统，基于老人基本信息、健康数据、生活习惯、服务诉求等数据，为老人匹配专属的养老服务（如居家护理、康复训练、文化娱乐等）。完成以下简答题和代码填空： 1.对该系统的需求匹配效果数据（含匹配准确率、服务采纳率、老人满意度、服务完成率）进行分析，输出分析报告需包含哪些核心内容？

结合智慧养老场景需求，提出3条系统优化需求

3. 代码填空：以下是老人养老服务特征提取与数据预处理的Python代码片段，请补充关键代码 1.import pandas as pd 2.import numpy as np 3.from sklearn.preprocessing import StandardScaler, LabelEncoder 4. 5.# 读取老人数据（列名：elder_id, age, gender, health_level, living_type, hobby, demand） 6.elder_data = pd.read_csv("elder_info.csv") 7.# 读取养老服务数据（列名：service_id, service_type, suit_age, suit_health, suit_living） 8.service_data = pd.read_csv("service_info.csv") 9. 10.# 标签编码分类特征 11.le_gender = LabelEncoder() 12.le_health = LabelEncoder() 13.elder_data["gender_enc"] = le_gender.fit_transform(elder_data["____gender______"]) 14.elder_data["health_enc"] = le_health.fit_transform(elder_data["health_level"]) 15. 16.# 标准化数值特征（年龄） 17.scaler = StandardScaler() 18.elder_data["age_scaled"] = scaler.fit_transform(elder_data[["______age____"]]) 19. 20.# 处理缺失值：分类特征用众数填充，数值特征用均值填充 21.elder_data["hobby"] = elder_data["hobby"].fillna(elder_data["hobby"].mode()[0]) 22.elder_data["age"] = elder_data["age"].fillna(elder_data["__age___"].mean()) 23. 24.# 提取老人核心特征 25.elder_features = elder_data[["elder_id", "gender_enc", "health_enc", "age_scaled", "demand"]] 26.# 合并老人特征与服务特征（按服务适配条件匹配） 27.match_data = pd.merge( 28. elder_features, 29. service_data, 30. left_on=["health_enc", "living_type"], 31. right_on=["suit_health", "suit_living"], 32. how="_____left_____" 33.) 34. 35.# 保存匹配特征数据 36.match_data.to_csv("elder_service_match.csv", index=False)

4.代码填空：以下是基于余弦相似度的养老服务精准匹配核心代码片段，请补充关键代码 1.from sklearn.feature_extraction.text import CountVectorizer 2.from sklearn.metrics.pairwise import cosine_similarity 3. 4.# 基于老人需求和服务介绍计算相似度 5.cv = CountVectorizer(ngram_range=(1,2)) 6.# 合并老人需求和服务类型作为匹配文本 7.match_data["match_text"] = match_data["demand"] + " " + match_data["service_type"] 8.text_cv = cv.fit_transform(match_data["match_text"]) 9. 10.# 为每位老人计算对应服务的相似度 11.def get_similar_service(elder_id): 12. elder_data = match_data[match_data["elder_id"] == elder_id] 13. if len(elder_data) == 0: 14. return [] 15. # 计算余弦相似度 16. sim = cosine_similarity(text_cv[elder_data.index[0]:elder_data.index[0]+1], text_cv)[0] 17. elder_data["similarity"] = sim 18. # 按相似度降序排序，取TOP3服务 19. top3 = elder_data.sort_values("similarity", ascending=False)["service_id"].head(3).tolist() 20. return top3 21. 22.# 生成所有老人的服务推荐结果 23.elder_ids = elder_data["elder_id"].unique() 24.service_recommend = {eid: get_similar_service(eid) for eid in elder_ids} 25. 26.# 保存推荐结果 27.import json 28.with open("elder_service_recommend.json", "w", encoding="utf-8") as f: 29. json.dump( service_recommend , f, ensure_ascii=False, indent=2)

5.简述该系统人工与智能交互的最优方式及核心流程

四、培训与指导 1. 简述文旅数据标注初级培训讲义的核心目录

2. 针对五级/初级工在模型评估过程中“仅关注准确率，忽略其他指标”的问题，给出2条具体指导建议

1