应用中的各种因素可能造成数据缺失，影响后续任务的分析。因此，数据集缺失值的插补尤为重要。相比原本没有插补的处理，错误的插补值也会对分析造成更严重的偏差。针对这种情况，提出新的采用双重判别器的基于条件生成对抗插补网络（C-GAIN）的缺失值插补算法DDC-GAIN（Dual Discriminator based on C-GAIN）。该算法通过一个辅助判别器辅助主判别器判断预测值的真假，即根据一个样本的全局信息判断这个样本生成的真假，更注重特征之间的关系，以此估算预测值。在4个数据集上与5种经典插补算法进行对比实验，结果表明：同样条件下，DDC-GAIN算法在样本量较大时的均方根误差（RMSE）最低；在Default credit card数据集上缺失率为15%时，DDC-GAIN算法的RMSE比次优算法C-GAIN降低了28.99%。这说明利用辅助判别器帮助主判别器学习特征之间的关系是有效的。

图神经网络（GNN）容易受到对抗性攻击而导致性能下降，影响节点分类、链路预测和社区检测等下游任务，因此GNN的防御方法具有重要研究价值。针对GNN在面对对抗性攻击时鲁棒性差的问题，以图卷积网络（GCN）为模型，提出一种改进的基于奇异值分解（SVD）的投毒攻击防御方法ISVDatt。在投毒攻击场景下，该方法可对扰动图进行净化处理。GCN遭受投毒攻击后，首先筛选并删除特征差异较大的连边使图保持特征光滑性；然后进行SVD和低秩近似操作使扰动图保持低秩性，并完成对它的净化处理；最后将净化后的扰动图用于GCN模型训练，从而实现对投毒攻击的有效防御。在开源的Citeseer、Cora和Pubmed数据集上针对Metattack和DICE（Delete Internally， Connect Externally）攻击进行实验，并与基于SVD、Pro_GNN和鲁棒图卷积网络（RGCN）的防御方法进行了对比，结果显示ISVDatt的防御效果相对较优，虽然分类准确率比Pro_GNN低，但复杂度低，时间开销可以忽略不计。实验结果表明ISVDatt能有效抵御投毒攻击，兼顾算法的复杂度和通用性，具有较高的实用价值。

非负矩阵三因子分解是潜在因子模型中的重要组成部分，由于能将原始数据矩阵分解为三个相互约束的潜因子矩阵，被广泛应用于推荐系统、迁移学习等研究领域，但目前还没有非负矩阵三因子分解的可解释性方面的研究工作。鉴于此，将用户评论文本信息当作先验知识，设计了一种基于先验知识的非负矩阵半可解释三因子分解（PE-NMTF）算法。首先利用情感分析技术提取用户评论文本信息的情感极性偏好；然后更改了非负矩阵三因子分解算法的目标函数和更新公式，巧妙地将先验知识嵌入到算法中；最后在推荐系统冷启动任务的Yelp和Amazon数据集以及图像零次识别任务的AwA和CUB数据集上与非负矩阵分解、非负矩阵三因子分解算法做了大量对比实验，实验结果表明所提算法在均方根误差（RMSE）、归一化折损累计增益（NDCG）、归一化互信息（NMI）和准确率（ACC）上都表现优异，且利用先验知识进行非负矩阵三因子分解的解释具有可行性和有效性。

本文通过对藏文词典的统计，计算出现代藏字在藏文中的使用频度，并对藏字分别进行了部件和字丁层面上的分析，得出藏字构字方面的特征。同时依据藏字声母和韵母的结构方式的统计结果，揭示了藏字在声韵母方面的特性，为藏文的研究和信息化处理提供了一些基础数据。

介绍了国内外主要藏文系统的编码方案，并根据三种不同类型的编码结构，对非标准藏文编码到国家标准（GB18030）的转换，国家标准和国际标准（ISO/IEC 10646）之间的相互转换进行了详细阐述，并在Vista平台下实现了转码程序，为藏语信息交换处理提供方便宜用的工具，为藏文信息的进一步研究奠定了基础。