哈工大2024春大数据挖掘期末考试回忆版试题

  供学弟学妹们参考，整体上难度很大，尤其是前两道题，非常灵活。上课讲过的证明题也会出现。这里只回忆每道题的大概意思以及分值，不保证完全一样（尤其是分值可能记的不是很准确，但是分值的相对高低是差不多的），供大家参考。

卷面无小题，一共7道大题，共50分。

1.（6分）时间序列数据中，后面的数据会和前面一个或多个数据相关。经典的K交叉验证无法直接用于时间序列数据。请你设计一种可以用于时间序列数据的K交叉验证方法。要求：

（1）详细说明数据划分的方法（2分）

（2）说明如何利用划分后的数据进行验证（2分）

（3）验证结果怎么评价（2分）

2.（6分）MDS是一种常见的降维方法，但是由于数据集中噪声的存在会导致降维结果出现较大偏差。原本距离较远的点可能在降维后的结果中较近，原来距离较近的点可能在降维后的结果中较远。请你设计一种数据预处理方法处理噪声。

（1）分析噪声数据对MDS造成很大影响的原因。（2分）

（2）请你详细论述发现数据集上噪声的方法。（2分）

（3）给出发现噪声后的处理方法。（2分）

3.（8分）推荐系统的题。

（1）说明user-user的推荐系统的做法；如何计算用户评分向量；分析该算法的时间复杂度。（3分）

（2）说明item-itmen的推荐系统的做法；如何计算用户评分向量；分析该算法的时间复杂度。（3分）

（3）现有一个用户数量远多于物品（还是物品远多于用户，忘了是哪个了）的情景，应该使用基于user-user的推荐系统还是item-itmen的推荐系统，说明原因。（2分）

4.（8分）在线广告计算问题

（1）给出该图上的一个最小匹配（1分）

（2）（1）的结果说明竞争率的上界是多少？为什么？（1分）

（3）证明贪心匹配算法的竞争率为1/2（6分）

5.（8分）社会网络图挖掘问题

（1）L是n*n拉普拉斯矩阵，x是一个n*1列向量，证明对任意的x，(x)^TLx>=0（6分）

（2）L的最小特征值是多少？对应的特征向量是什么？（2分）

6.（6分）LOF异常因子检测方法

需要用到的定义和公式都在题目中给出来了

（1）如何得到一个点P的K-距离？分析时间复杂度（2分）

（2）k可达距离是对称的吗？为什么？（2分）

（3）证明：p到o的K-可达距离，至少是o的K-distance（2分）

7.（8分）XGBOOST的问题

（1）每个样本在每轮迭代中的预测值怎么获得？（2分）

（2）考Gain的意义，如何利用Gain选择划分点（2分）

（3）n条数据，m个属性，给出一次选择最佳划分点的步骤并分析时间复杂度（4分）