2026年京東算法工程師筆試電商風(fēng)控算法設(shè)計(jì)練習(xí)與答題指引含答案一、單選題（共5題，每題2分）1.背景：在電商風(fēng)控中，異常交易檢測常用哪些指標(biāo)？A.賬戶活躍度、交易頻率、IP地理位置B.用戶購買力、商品種類、交易時(shí)間C.支付方式、設(shè)備信息、物流狀態(tài)D.客服咨詢量、退貨率、評價(jià)內(nèi)容2.背景：對于電商平臺的反欺詐系統(tǒng)，哪種模型更適用于實(shí)時(shí)性要求高的場景？A.邏輯回歸（LogisticRegression）B.隨機(jī)森林（RandomForest）C.深度神經(jīng)網(wǎng)絡(luò)（DNN）D.XGBoost3.背景：在處理電商交易數(shù)據(jù)時(shí)，如何處理缺失值？A.直接刪除缺失值較多的特征B.使用均值/中位數(shù)/眾數(shù)填充C.使用模型預(yù)測缺失值（如KNN）D.以上都不可行4.背景：電商風(fēng)控中，“黑灰產(chǎn)”通常指什么？A.正規(guī)商家違規(guī)操作B.惡意注冊、刷單、撞庫等行為C.物流運(yùn)輸問題D.客戶投訴處理不當(dāng)5.背景：在構(gòu)建用戶行為風(fēng)險(xiǎn)評估模型時(shí)，以下哪項(xiàng)特征通常不直接相關(guān)？A.用戶歷史交易金額B.買家收貨地址變更頻率C.商品描述相似度D.用戶注冊時(shí)間二、多選題（共3題，每題3分）1.背景：電商風(fēng)控中常見的風(fēng)險(xiǎn)類型有哪些？A.賬戶被盜用B.商品質(zhì)量糾紛C.刷單/炒信D.支付風(fēng)險(xiǎn)2.背景：如何評估電商風(fēng)控模型的性能？A.AUC（AreaUndertheCurve）B.F1-scoreC.響應(yīng)時(shí)間（Latency）D.Gini系數(shù)3.背景：在處理大規(guī)模電商交易數(shù)據(jù)時(shí)，以下哪些技術(shù)可以用于降維？A.PCA（主成分分析）B.LDA（線性判別分析）C.特征選擇（如Lasso）D.決策樹剪枝三、簡答題（共3題，每題4分）1.問題：簡述電商風(fēng)控中“規(guī)則引擎”與“機(jī)器學(xué)習(xí)模型”的區(qū)別。2.問題：在電商場景下，如何定義“高風(fēng)險(xiǎn)交易”？3.問題：描述電商風(fēng)控中“特征工程”的重要性及常見方法。四、計(jì)算題（共2題，每題6分）1.背景：假設(shè)某電商平臺的交易數(shù)據(jù)如下表，請計(jì)算以下指標(biāo)：|用戶ID|交易金額|交易時(shí)間（小時(shí)）|風(fēng)險(xiǎn)評分（0-1）||-||-|-||1001|500|14|0.2||1002|2000|9|0.5||1003|800|21|0.1|要求：-計(jì)算交易金額的均值和中位數(shù)。-計(jì)算風(fēng)險(xiǎn)評分與交易金額的相關(guān)系數(shù)。2.背景：某電商風(fēng)控模型使用邏輯回歸，其參數(shù)如下：-系數(shù)向量：[0.3,-0.5,0.2]-偏置項(xiàng)：-1.0-特征：交易金額（x1）、交易時(shí)間（x2）、設(shè)備異常次數(shù)（x3）要求：-寫出邏輯回歸的預(yù)測公式。-若某筆交易的特征為x1=1000,x2=18,x3=3，計(jì)算其風(fēng)險(xiǎn)概率。五、開放題（共1題，8分）問題：假設(shè)你負(fù)責(zé)設(shè)計(jì)一個(gè)電商平臺的反刷單系統(tǒng)，請描述：1.你會從哪些數(shù)據(jù)源收集特征？2.如何設(shè)計(jì)模型來識別刷單行為？3.如何平衡風(fēng)控的準(zhǔn)確率和業(yè)務(wù)效率？答案與解析一、單選題答案與解析1.答案：A解析：電商風(fēng)控中的異常交易檢測依賴多維度指標(biāo)，包括賬戶活躍度（異常登錄/操作）、交易頻率（短時(shí)間內(nèi)高頻交易）、IP地理位置（異常地區(qū)交易）等。其他選項(xiàng)雖與電商相關(guān)，但與風(fēng)控的直接關(guān)聯(lián)性較弱。2.答案：C解析：深度神經(jīng)網(wǎng)絡(luò)（DNN）適用于實(shí)時(shí)性要求高的場景，能快速處理復(fù)雜非線性關(guān)系。邏輯回歸和隨機(jī)森林適合離線訓(xùn)練，而XGBoost雖可實(shí)時(shí)預(yù)測，但DNN在特征融合上更優(yōu)。3.答案：C解析：直接刪除缺失值會丟失信息，均值/中位數(shù)填充適用性有限。模型預(yù)測缺失值（如KNN）能保留更多數(shù)據(jù)特征，是更優(yōu)選擇。4.答案：B解析：“黑灰產(chǎn)”是電商欺詐的統(tǒng)稱，包括惡意注冊、刷單、撞庫等，屬于平臺風(fēng)險(xiǎn)。其他選項(xiàng)描述的業(yè)務(wù)問題與欺詐無關(guān)。5.答案：C解析：商品描述相似度屬于商品推薦領(lǐng)域，與用戶風(fēng)險(xiǎn)評估關(guān)聯(lián)性弱。其他選項(xiàng)均直接影響用戶信用或行為風(fēng)險(xiǎn)。二、多選題答案與解析1.答案：A、C、D解析：賬戶被盜用、刷單/炒信、支付風(fēng)險(xiǎn)是典型電商風(fēng)險(xiǎn)類型。商品質(zhì)量糾紛屬于售后服務(wù)范疇，與風(fēng)控關(guān)聯(lián)度低。2.答案：A、B、D解析：AUC、F1-score、Gini系數(shù)是風(fēng)控模型的核心評估指標(biāo)。響應(yīng)時(shí)間屬于系統(tǒng)性能，非模型性能指標(biāo)。3.答案：A、B、C解析：PCA、LDA、特征選擇適用于降維。決策樹剪枝是模型優(yōu)化手段，非降維技術(shù)。三、簡答題答案與解析1.答案：-規(guī)則引擎：基于人工設(shè)定規(guī)則（如交易金額超過閾值、IP異常）進(jìn)行判斷，簡單快速但易僵化。-機(jī)器學(xué)習(xí)模型：通過數(shù)據(jù)學(xué)習(xí)模式，能處理復(fù)雜關(guān)系，但依賴標(biāo)注數(shù)據(jù)且解釋性弱。2.答案：高風(fēng)險(xiǎn)交易通常指：交易金額異常、設(shè)備指紋異常、IP與收貨地址不符、短時(shí)間內(nèi)高頻交易等。需結(jié)合業(yè)務(wù)場景定義閾值。3.答案：-重要性：特征工程能提升模型效果，減少噪聲干擾。-方法：特征衍生（如交易時(shí)間與午休時(shí)段重疊）、特征篩選（相關(guān)性分析）、特征組合（如IP-城市組合）。四、計(jì)算題答案與解析1.計(jì)算過程：-交易金額均值：(500+2000+800)/3=1333.33-交易金額中位數(shù)：800（排序后中間值）-相關(guān)系數(shù)：(0.2500+0.52000+0.1800-(0.2+0.5+0.1)(1333.33))^2/((500-1333.33)^2+(2000-1333.33)^2+(800-1333.33)^2)≈0.422.預(yù)測公式：P=1/(1+e^(-0.3x1-0.5x2+0.2x3-1.0))概率計(jì)算：P=1/(1+e^(-0.31000-0.518+0.23-1.0))≈0.12五、開放題答案與解析答案：1.數(shù)據(jù)源：用戶行為日志（瀏覽/加購）、交易數(shù)據(jù)（金額/時(shí)間）、設(shè)備信息（IP/設(shè)備ID）、賬戶信息（注冊時(shí)長/等級）。2.模型設(shè)計(jì)：-使用圖神經(jīng)網(wǎng)絡(luò)（GN