2026年关联规则挖掘面试题及答案.docxVIP

第PAGE页共NUMPAGES页

2026年关联规则挖掘面试题及答案

一、单选题（每题2分，共10题）

1.关联规则挖掘的核心目标是？

A.预测数据趋势

B.发现数据项之间的频繁项集

C.减少数据冗余

D.分类数据

答案：B

解析：关联规则挖掘的核心是找出数据项集之间的频繁关联关系，即通过Apriori算法等发现同时出现的频繁项集。

2.在Apriori算法中，频繁项集的闭包属性意味着什么？

A.该项集的所有子集都必须频繁

B.该项集本身不频繁，但包含频繁子集

C.该项集的补集频繁

D.该项集与任何其他项集都关联

答案：A

解析：闭包属性表示频繁项集的所有非空子集也必须频繁。例如，{牛奶，面包}频繁，则{牛奶}和{面包}也必须频繁。

3.提升关联规则挖掘效率的常用方法是？

A.增加事务数量

B.减少最小支持度阈值

C.使用FP-Growth算法

D.提高计算精度

答案：C

解析：FP-Growth通过构建频繁项集的前缀树（FP树）来高效挖掘关联规则，避免重复扫描事务数据库。

4.关联规则中的“置信度”衡量的是？

A.规则的泛化程度

B.规则的覆盖范围

C.规则的准确率

D.规则的可解释性

答案：B

解析：置信度表示在X出现的情况下，Y也出现的概率，衡量规则的可信程度。

5.下列哪个指标用于评估关联规则的“兴趣度”？

A.支持度

B.置信度

C.提升度

D.频率

答案：C

解析：提升度衡量规则的实际价值，即X出现时Y出现的概率是否高于随机情况。

6.在电商场景中，关联规则挖掘常用于？

A.用户画像构建

B.个性化推荐

C.客户流失预测

D.风险控制

答案：B

解析：电商行业常用关联规则推荐“购买牛奶的用户也常买面包”，实现交叉销售。

7.以下哪个算法适用于大规模稀疏数据？

A.Apriori

B.Eclat

C.FP-Growth

D.ARMID

答案：C

解析：FP-Growth通过压缩存储频繁模式，适合高维稀疏数据（如电商商品关联）。

8.关联规则中的“自关联”指的是？

A.规则中X和Y相同

B.规则覆盖所有事务

C.规则无法解释

D.规则无实际应用价值

答案：A

解析：自关联如{啤酒}→{啤酒}，虽然支持度可能高，但无业务意义。

9.在金融风控中，关联规则挖掘可用于？

A.信用评分

B.异常交易检测

C.贷款审批

D.客户聚类

答案：B

解析：检测频繁的异常交易模式（如高频大额转账伴随境外消费）可识别欺诈行为。

10.关联规则挖掘的局限性包括？

A.无法处理高维数据

B.对数据质量敏感

C.无法发现因果关系

D.计算复杂度高

答案：C

解析：关联规则仅发现相关性，不能推断因果关系（如啤酒和尿布关联，不代表啤酒导致尿布需求）。

二、多选题（每题3分，共5题）

11.影响关联规则挖掘结果的关键参数有？

A.最小支持度

B.最小置信度

C.事务数量

D.商品类别数量

答案：A、B

解析：最小支持度和置信度直接决定规则生成，事务和类别数量影响挖掘范围。

12.关联规则挖掘在零售行业的应用场景包括？

A.购物篮分析

B.清仓促销推荐

C.会员营销

D.库存管理

答案：A、C

解析：购物篮分析和会员营销是典型应用，清仓促销需结合时间序列分析，库存管理依赖需求预测。

13.FP-Growth算法的优势包括？

A.避免全扫描数据库

B.支持闭频繁项集挖掘

C.时间复杂度低

D.内存占用高

答案：A、B

解析：FP-Growth通过前缀树压缩存储，避免全扫描，并支持闭集挖掘，但内存效率优于Apriori。

14.关联规则挖掘的评估指标有？

A.提升度

B.置信度

C.Jaccard系数

D.准确率

答案：A、B、C

解析：提升度、置信度和Jaccard系数用于评估规则质量，准确率适用于分类任务。

15.关联规则挖掘的潜在问题包括？

A.规则爆炸

B.基于频繁项集的规则冗余

C.数据稀疏性

D.可解释性差

答案：A、B、C

解析：规则爆炸（大量低价值规则）、频繁项集冗余、数据稀疏性（如小众商品关联少）是常见问题。

三、简答题（每题5分，共3题）

16.简述Apriori算法的核心思想及其优缺点。

答案：

核心思想：Apriori通过逐层搜索频繁项集，满足“频繁项集的所有非空子集也必须频繁”的先验原理。

优点：

-完整性：能找到所有频繁项集。

-可扩展性：适用于中小规模数据。

缺点：

-效率低：需多次扫描数据库计算项集支持度。

-内存消耗大：频繁项集组合数量随维度指数增长。

17.在医疗场景中，关联规则挖掘如何应用？举例说明。

答案：

医疗