针对超关系知识图谱中限定符会为主三元组引入无关噪声的问题，提出一种融合噪声过滤的超关系知识图谱补全方法（HRNF）。首先，为了有效增强超关系事实，构建特征增强模块；同时，利用卷积神经网络（CNN）提取普通三元组特征，并通过异构图神经网络（HGNN）捕获超关系事实中的复杂关系特征；其次，融合这2种特征，利用普通三元组的稳定性与可靠性增强超关系事实中主三元组的信息，减少限定符引入噪声的影响；再次，为了更准确地融合特征表示，构建相关性感知模块；同时，利用图注意力网络（GATv2），通过动态学习不同节点间的权重更新增强后的特征表示；继次，为了捕获复杂的语义信息，构建语义增强模块；最后利用Transformer模型，通过自注意力机制捕获序列中任意2个元素之间的依赖关系，从而生成最终的预测序列。为了验证HRNF的有效性，在2个常用的数据集Wikipeople和JF17K上进行广泛的实验。结果表明，相较于基线方法中较优的GRAN（GRAph-based N-ary relational learning），在预测主三元组实体时，HRNF在Wikipeople数据集上的平均倒数排名（MRR）、Hits@1和Hits@10分别提升了0.6、1.1和1.8个百分点，在JF17K数据集上的MRR、Hits@1和Hits@10分别提升了0.5、0.7和2.9个百分点。以上这些显著提升证明了HRNF在处理超关系知识图谱补全任务中可以有效地缓解限定符带来的噪声问题。

实体和关系抽取（ERE）通常采用流水线的方式进行处理，但这种流水线方法仅依赖于前一个任务的输出，导致命名实体识别和关系抽取之间出现信息交互问题，且容易引发误差传播问题。针对以上问题，提出一种面向实体和关系抽取的记忆增强模型（MEERE）。该模型引入类似记忆的机制，使每个任务不仅能利用前一任务的输出，还能反向影响前一任务，从而捕获实体和关系间的复杂交互。为进一步减轻误差传播，同时引入实体跨度筛选机制。该机制通过在联合模块中动态地筛选和验证实体跨度，确保只有高质量的实体被用于关系抽取，从而提升模型的鲁棒性和准确性。最后利用表格解码方式处理关系重叠问题。在3个广泛使用的基准数据集（ACE05、SciERC和CoNLL04）上的实验结果表明，MEERE在ERE任务上表现出了显著的优势。与Tab-Seq在CoNLL04数据集上相比，MEERE在命名实体识别和关系抽取上的性能都有显著提升，命名实体识别的F1值提升了0.5个百分点，关系严格评估的F1值提升了3.0个百分点；相较于PURE-F模型，MEERE实现了不少于9倍的加速效果，并且关系抽取性能更佳。这些结果验证了所提出的记忆增强模型在探索实体和关系交互作用方面的有效性。

针对传统蚁群优化（ACO）算法搜索路径时易陷入局部最优、路径过长、转弯角度过大等问题，提出一种基于转弯角度约束的改进ACO算法。首先，增加起始点与目标点之间区域的初始信息素浓度，以避免初期盲目搜索；然后，在启发函数中加入A ^*算法的估价函数和转弯角度因子，以便在下一步选择路径长度和转角次数综合最优的节点；最后，在信息素更新部分引入狼群算法的分配原则，来加强优质种群的影响力，同时借鉴最大最小蚁群（MMAS）算法进行信息素浓度的限制，从而避免算法陷入局部最优。Matlab仿真结果表明，改进算法与传统ACO算法相比，规划出的路径长度缩短了13.7%，转弯次数减小了64.3%，累计转弯角度减少了76.7%。实验结果表明，所提改进算法能有效解决全局路径规划问题，避免了移动机器人过多的能耗损失。

针对传统的协同过滤算法中数据稀疏和推荐结果不准确的问题，提出了一种基于隐狄利克雷分布（LDA）与卷积神经网络（CNN）的概率矩阵分解推荐模型（LCPMF），该模型综合考虑项目评论文档的主题信息与深层语义信息。首先，分别使用LDA主题模型和文本CNN对项目评论文档建模；然后，获取项目评论文档的显著潜在低维主题信息及全局深层语义信息，从而捕获项目文档的多层次特征表示；最后，将得到的用户和多层次的项目特征融合到概率矩阵分解（PMF）模型中，产生预测评分进行推荐。在真实数据集Movielens 1M、Movielens 10M与Amazon上，将LCPMF与经典的PMF、协同深度学习（CDL）、卷积矩阵因子分解模型（ConvMF）模型进行对比。实验结果表明，相较PMF、CDL、ConvMF模型，所提推荐模型LCPMF的均方根误差（RMSE）和平均绝对误差（MAE）在Movielens 1M数据集上分别降低了6.03%和5.38%、5.12%和4.03%、1.46%和2.00%，在Movielens 10M数据集上分别降低了5.35%和5.67%、2.50%和3.64%、1.75%和1.74%，在Amazon数据集上分别降低17.71%和23.63%、14.92%和17.47%、3.51%和4.87%，验证了所提模型在推荐系统中的可行性与有效性。

介绍了运动路径编辑方法,提出了保持足部位置运动速率不变的算法来解决其中出现的脚步滑动现象。该算法中,使用了基于约束的技术。首先,逐帧求出原始运动数据的足部位置,作为初始约束条件,当运动路径变化后,依据足部位置运动速率不变的原则,自动更新约束条件,减少了以往方法中的人工干预过程；然后,采用按帧编辑的实时逆向运动学算法求解约束条件。实验结果表明此算法有效地解决了脚步滑动现象。