题目所在试卷参考答案：

3.C　 (A项中括号为句内括号，解释“两证”，应紧跟“两证”后；B项中“四五十米”为概数，中间不用顿号；D项为陈述句，句末问号改为句号)

4.C　 (第①句应选“侦查”，“侦查”指检察、公安机关为办案而进行调查，“侦察”指军事上为弄清敌情、地形等情况而进行的活动；第②句应选“年龄”，“年纪”只用来指人，“年龄”既指人，也可以指动植物；第③句应选“曲解”，误解指理解不正确，曲解多指故意的)

5.A　 (“亦步亦趋”指事事追随和模仿别人，是贬义词，不符合原句语境；“沸沸扬扬”用来形容人声鼎沸，议论纷纷，不用来形容雪花；“无可非议”指没什么可指责的，常用来表示做得对，这里应改为“无可非议的事实”)

6.B　 (A项句子成分残缺，应为“针对……的情况”；C项“原因是……”和“由……所致”杂糅；D搭配不当，应改为“减轻……负担”)

7．D(原文并无“‘有氧健身’、‘有氧操’等运动已经过时”的意思)　　

8 C(应该是低氧条件下的健身与“一般自然状态下的健身”相比)

9．D(“很多时候”应是“必须”)　

10.A(“将会因价格低廉而迅速普及”的说法过于绝对化)

11．D(应为“闻名”。)

12．B(A项①“才”；②“最初”。B项均表判断，相当于“是”或“就是”。C项①比；②在。D项①“凭借”或“借助”；②“因为”。)

13．D(“高介绝俗”的意思是“清高耿直，不随流俗”。由此可推知应为D项。)

14．B(A项对“工歌诗”和“能书”的解释有误；C项对“晟复以书来”的解释有误；D项中“夏昶和张益为人都很谦虚”脱离了文意，原因应是“自谓不如”。)

王绂，字孟端，是无锡县人。他博学多才，善于作诗，字写得好，画山水、树木、和竹石，(技艺)高超称绝一时。洪武年间，因牵累获罪被发配戍守朔州。永乐初年，因为被举荐，由于擅长书法在文渊阁任职。过了很久，升任为中书舍人。

王绂没做官之前，和吴县人韩奕是朋友，隐居在九龙山，于是自称为九龙山人。对书法，往往用古人来要求自己。作画不肯轻易下笔，但在游览的时候，饮酒到了兴头上就会握着画笔，在长廊的粉壁上尽情地挥洒。遇有用金钱来购买他的字画的人，往往拂袖而起(拒绝)，或者闭门不接纳，即使是富豪和地位尊贵的人他也不顾忌。有人劝说王绂(不要这样)，王绂回答：“大丈夫应该清楚自己所处理的事情，不重要的事情都像(你说的)这样，重要的事情将会怎样(处理)呢？”住在京城的时候，在月色之下听到(有人)吹箫的声音，就乘兴画了一幅《石竹图》，第二天早晨，寻访到那个人(把画)赠给了他，那人却是个商人。商人用约色的毯子作为赠物，请求再画写一枝(竹子)配成双幅，王绂要回先前的赠画撕碎了它，退还了(商人)馈赠的礼物。一天退朝后，黔国公沐晟从后面喊王绂的表字，王绂没有回答。同事告诉他说：“(喊你的)这个人是黔国公。”王绂回答：“我不是没有听到他的喊声，这一定是他向我索要画罢了。”沐晟跑过来赶上了王绂，果然用作画的事来请求王绂，王绂对他点点头而已。过了几年，沐晟又来信(催促)，王绂才为他作画。过了不久说：“我的画直接送给黔国公不好。黔国公的宾客平仲微，是我的朋友，因为朋友的关系(把画)送给平仲微，等黔国公向他要就行了。”他就像这样清高耿直，不随流俗。

　　　 昆山人夏昶，也善于画竹石，(名声)低于王绂。他画一枝竹子，价值白银一锭 ，但是别人大多通过赠送给他礼物得到他的画。夏昶，字叫仲昭，永乐十三年的进士，后改为庶吉士，历任官职到太常寺卿。夏昶和上元人张益，一起中的进士，都凭借文章而知名，又都善于画竹子。后来，夏昶看到了张益写的《石渠阁赋》，自己认为比不上(他)，就不再写作赋了。张益见到了夏昶所画的竹石，(自己也认为比不上，)也就不再画竹子了。

16．(6分)“关河梦”指的是北上抗金、收复中原的心愿。(2分。答出“收复河山”、“统一中国”也给分)

　 赏析要点：(1)“胡未灭，鬓先秋，泪空流”在音节上，三个短句，声调急促，步步紧逼，给人一种紧张感紧迫感，从而表现词人对岁月流逝、壮志未酬的人生的慨叹。

　　　 (2)从词的上下片关系看，“胡未灭”承接上片“关河梦断”，是“关河梦断”的具体落实，而“鬓先秋，泪空流”又是下片“身老沧州”的形象再现；从句子内部关系看，“胡未灭”也是“鬓先秋，泪空流”的直接原因，两者构成因果关系。

　　　 (3)古人常以“鬓先秋”比喻光阴似箭而此生虚度，以“泪空流”暗示心愁不解而报国无门的怅恨，此处两者“连写”形象地写出词人心头之无奈和悲苦。

18．少年时期：只会背诵而不知其意。青年时期：自以为已经读懂，认为自己有了一种超脱世俗的心态，但与实验情况还有差距。中年时期：真正从中悟出了人生的哲理。

19．①从大自然中吸取营养、培养情操。

②一味追求物质享受的人最贫穷。(或：物欲无度的人最贫穷)

20．明月清泉象征远离尘世纷争、自始至终保持独立价格的高洁心灵，寄托着作才对高雅纯洁的人生境界的追求。

21．AE(B项中“面对困难挫折，要坚持不懈”属无中生有；C项中“生动形象”错，对比的作用是使表达深刻；这篇文章的线索是读王维《山居秋瞑》的感受，故D项错)

22．(4分)接受调查的绝大多数经济领袖认为网络对年轻人的成长，积极作用远大于消极作用，而电子游戏对年轻人的成长是有害无益。

23．(4分)这不能不使我们联想起曾经对中国犯下累累罪行的日本侵略者，多少年来他们对中国人民谢罪了吗？他们参拜靖国神社，敬拜战犯的灵位，公然为侵略战争辩解。

(串台词往往寥寥数语却起到了穿针引线、画龙点睛作用。本题只要突出日本对过去的罪行不但没有清醒的认识，反而不断为罪行开脱辩解这一要点且语言流畅、衔接自然即可)

24．　 C市--移到“一栋”前面

　　　　　 建设--建造或建成

　　　　　 从外表看--删去“从”或在“从外表上”后加“看”

　　　　　 拥有--备有

　　　　　 需要控制板--需要拿过控制板

大家好，好久没有更新因果技术的文章了，从今天开始，我会开启一个新的专栏，和大家聊聊因果推断，一方面是给自己做一个技术沉淀，另一方面也是希望可以制造一个场，让对因果有兴趣的朋友们一起来讨论技术。

前一篇因果入门的文章中已经为大家简单的介绍了一下因果推断了。大家反响很热烈，收到一致好评。忘记的同学可以回顾一下：

文章看完记得小手点个赞，纯原创纯手打，大家一键三连支持一下！

这个系列出现的所有paper里的算法我都希望能向大家用大白话的方式讲出来，使得一个就算不太了解技术的人也能理解他。

“因果推断”作为目前统计以及机器学习届最炙手可热的一个名词，19年图灵奖得主Yoshua Bengio认为：“深度学习已经走到了瓶颈期，将因果关系整合到AI当中已经成为目前的头等大事“。而11年的图灵奖得主的Judea Pearl则提到：“目前有太多深度学习项目都单纯关注缺少因果关系的粗糙关联性，这常常导致深度学习系统在真实条件下（明显不同于训练场景的条件下）进行测试时，往往拿不出良好的实际表现。”并在他的新书《The Book of Why: The New Science of Cause and Effect》当中提到，“如果没有对因果关系的推理能力，AI的发展将从根本上受到限制。”

接下来的系列，我会通过对重要的paper和方法总结，逐步的为大家介绍因果推断这个方法，同时也不断开发自己的开源代码库Causal ToolBox。

在接下来的这篇文章中，为求表达精确，我主要会使用英文对论文进行总结和讲解，与此同时，对于一些核心的理解，也会用中文表达。

需要注明的是，传统因果很多方法都是通过做实验，即controlled experiment来得到结果，但是这种实验成本往往巨大，即便在体量相当大的公司，做一些商业上的ABtest也意味巨大的成本，在这个情况下，我们希望从以及观察到的数据，即observational data中得到因果推断的结果。接下来的所有内容，都围绕着如何在observational data里做因果推断这个问题。

这个大家直译就好，就是和大家平常理解的因果关系一个意思

举个例子：如果我们发现，夏天的时候，一个冰淇淋店的电费上涨的同时冰淇淋卖的也很好，我们可以说他们互相之间有因果的关系吗？不见得，他们之间可能只是统计上的相关性，而真正给他们带来的因果性的因子叫做气温，是因为气温的上升，导致电费的增加，也是因为气温的上升，导致了冰淇淋销量的上升。这个例子很好的向我们阐述了因果性和统计相关性的区别。

1. Causal discovery(因果关系挖掘): 比如研究：温度升高是否是电费增加的原因？或者在商品价格，商品转化率，商品上市时间，商品成本等几个变量之间探究一个因果图，即变量两两之间是否有因果关系？如果有，谁是因谁是果？
2. Causal effect(因果效应推理): 比如我们已经知道温度升高是电费增加的原因，我们想知道温度从20度升至30度，会对电费带来多少增加？

即我们需要先得到一张因果图，然后对于因果图，我们去使用Structural Equations来描述它。

比如对于这一张因果图，箭头由因指向果，X和E都是变量。然后右边的一系列方程就是Structural Equations来描述这个图，每一个方程f都表示着由因到果的一个映射或者说一个表达式，这个方程可以是linear也可以是nonlinear的，取决于他们的因果关系是否线性。

简单来说，计算因果效应最直接的手段就是控制住所有的变量不变，只变化cause，比如把温度从20变到30度，然后直接看outcome变化，也就是直接用30度时的电费减去20度时的电费，既可以得到causal effect。HOWEVER，easier said than done！！！如果这个世界有两个平行时空，那么我们可以做这个实验，但是如果没有呢？我们知道温度不可能在同一个地方，同一个时间，即20度又30度，那么必然20度的时候，30度时的电费就叫potential outcome。而这个framework，就是相方设法从能观察到的数据中得到这个potential的结果，然后二者相减，就是我们想要的答案啦！

这篇文章首先我们来看第一个问题，causal discovery。因为如果你没有因果关系，又谈何因果推断呢？

首先我们从贝叶斯网络聊起，贝叶斯网络是一个DAG(directed acyclic graph)，即有向无环网络。然后我们可以把它当作一个概率图，也就是可以概率表达它。举个例子：对于下图，我们可以表达为P(A,B) = P(B|A)*P(A)，why?，因为A指向B，而无箭头指向A，我们就可以得到A和B的联合分布有他们两部分组成，非常简单对吧！

加一点难度，对于下图，可以表达为P(A,B,C) = P(C|A,B)*P(B|A)*P(A)。因为C有AB两个变量指向他，而B同样只有A指向它。

这就是所谓的贝叶斯网络，那么下面我们来做一个题目，理解这个题目对于causal discovery是essential的，所以非常重要。从下面的图中可以得到a和b的什么关系？

基于上述公式我们可以推导出a与b独立

基于上述公式我们可以推导出a与b条件独立（given c）

基于上述公式我们可以推导出a与b条件独立（given c）

 我们可以看到，因为c这个“搅屎棍”的存在，我们很可能在数据误以为a与b有因果关系，实际上他们只是有相关性，也可以说c d-separate/blocked a and b。但是对于a与b的关系，NONE of them are

也就是通过找到上面三种结构来构建因果图，寻找方式就是通过条件独立的检验，一般的方式都是从一个无向的全链接图出发开始寻找，通过一系列规则最终生成一个图。

2. 对于上面的chain和fork，由于他们都imply a和b基于c条件独立，故称为马尔可夫等价类，而这类算法无法从马尔可夫等价类中区分出不同的DAG，即对于这类算法，他认为chain和fork是一个东西，这也意味着对于上图，a有可能是c的因，也可能是果，这显然不make sense。

3. 假设极其严格，需要非常多且高质量的数据，因为faithfulness假设使得我们只能通过conditional independence来测试，如果数据很少，有可能这些测试互相都会相斥，做起图非常困难

这类方法的优点是由于使用goodness of fit替代了conditional independent，于是relax了上面的第一类假设，但是缺点是仍然无法区分马尔可夫等价类。另一个大的缺点是这类算法因为要找到最优的分数，就要搜索全部的图，这是一个NP-hard和NP-complete的问题，复杂度极高且容易陷入局部最优。

GES algorithm: 一个经典的scored-based algorithm, 使用下面BDeu这个打分函数来给每个图打分。但是这个方法只要求找到一个局部最优解即可。方法使用2阶段的贪婪搜索，第一阶段只insert

Models的图里右边那一堆function，假设我们能先得到这些function，我们就可以还原左边的图。大概就是这个思路。举个例子，对于s，d，y三个变量，如果我们通过某个算法得到了如下的等式关系，也就是一个下三角阵：

 那我们可以通过它得到一个causal order，也就是一个序，比如对于s，d，y来说就是1，2，3。通过这个序，我们知道s一定在d和y前面，d一定在y前面，于是我们有下图的因果DAG

 这类方法最大的优点就在于能够从马尔可夫等价类中区分出不同的DAG，从而保证有序的因果关系。

BMLiNGAM: 和LiNGAM很像, 但是使用于两变量之间的，换句话说就是一个在确定两者有因果关系的变量之间找出谁是因谁是果。 他还有一个极其重要的优势就是可以用于unobserved

relationship的假设了），然后对于noise，只要是additive的即可。还有一个ANM的优势是缩小了图的搜索空间。类似的可以处理多变量的模型还有一个叫CAM (causal additive model)的模型

这类方法有别于上述方法，更多使用深度学习或者强化学习等思路来挖掘因果图，里面的方法其实基本是也是上面的三类，只不过他们的实现路径不太好直接去归类到其中某一类，故我们就单列一类

这里k就是某种核函数，衡量距离用的，MMD就是用来衡量两个分布的接近程度的，当两个分布完全一样时，MMD=0。所以大家其实可以看出来，这是一个score-based method，因为他的score function由两部分组成，一部分评估SCM的效果，一部分是对图的构造做了限制。不过这个方法理论上我理解是可以区分马尔可夫等价类的，所以也不算一般的score-based

首先我们需要输入一个skeleton，就是一个先验的无向的因果图，这个图一般由专家知识得到。如果是score-based method，就会有一个搜索的策略，CGNN也是如此，他一共有3步搜索策略。

1. 对于两两相邻的变量，通过这两个变量做一个pairwise CGNN，然后两个方向分别去训练一波，得到最优的损失，选比较小的损失作为选定的方向。于是我们就得到了两两的方向，即

2. 顺着目前得到图的任意一个节点，找找有没有环，有环则把他reverse，这步就是保证不存在任意一个环，即

3. 对于目前的图，不断的尝试reverse其中某个边，然后再去训练，看最后损失能不能减少，如果可以就reverse。这步一般使用hill-climbing算法。即

这样就得到了最后的图，所以NN其实是在每次需要计算score的时候都训练一遍，且参数并不保留，都是重新训练。还有就是，这个方法可以处理hidden confounder，方法就是把noise作为variables也放进图里。

asymmetries的问题。可见现在学术圈有多卷！

当然，这里还有许多文章我没有提到，不代表不重要，大家可以根据上述文章的文献综述去找一波！

因果分析系统只推荐一个，有兴趣可以去了解一下：

文章看完记得小手点个赞，纯原创纯手打，大家一键三连支持一下！