基于邻域粗糙集的属性约简算法在进行属性约简时只考虑单一属性对决策属性的影响，未能考虑各属性间的相关性，针对这个问题，提出了一种基于卡方检验的邻域粗糙集属性约简算法（ChiS-NRS）。首先，利用卡方检验计算相关性，在筛选重要属性时考虑相关属性之间的影响，在降低时间复杂度的同时提高了分类准确率；然后，将改进的算法与梯度提升决策树（GBDT）算法组合以建立分类模型，并在UCI数据集上对模型进行验证；最后，将该模型应用于预测肝癌微血管侵犯的发生。实验结果表明，与未约简、邻域粗糙集约简等几种约简算法相比，改进算法在一些UCI数据集上的分类准确率最高；在肝癌微血管侵犯预测中，与卷积神经网络（CNN）、支持向量机（SVM）、随机森林（RF）等预测模型相比，提出的模型在测试集上的预测准确率达到了88.13%，其灵敏度、特异度和受试者操作曲线（ROC）的曲线下面积（AUC）分别为87.10%、89.29%和0.90，各指标都达到了最好。因此，所提模型能更好地预测肝癌微血管侵犯的发生，能辅助医生进行更精确的诊断。

针对人工蜂群（ABC）算法求解组合优化问题时效率低的问题，提出了基于Spark云计算框架的并行ABC改进算法。首先，将蜂群划分为子蜂群并将蜂群构造为弹性分布式数据集，子蜂群使用广播机制交换优秀个体；然后，采用一系列转换算子，实现蜜蜂寻找解过程的并行化；最后，用万有引力质量计算代替轮盘赌概率计算，减少计算量。通过旅行商问题（TSP）求解说明了算法的可行性。实验结果表明：对比标准ABC算法，所提算法加速比最大达到3.24；对比未改进的并行ABC算法，该算法收敛速度提高约10%。所提算法在复杂问题求解方面优势更加明显。

针对社交网络中提高用户的高黏性问题，提出了一种基于用户忠诚度的用户发现的算法。该算法利用双重RFM模型对用户忠诚度进行计算，挖掘出忠诚度不同分类的用户。首先，通过双重RFM模型动态计算出用户在某一时间段的消费价值与行为价值，得到用户某一时间段的忠诚度；其次，根据用户的忠诚度，确定标度曲线，利用相似度计算找到典型的忠诚用户与不忠诚用户；最后，采用基于模块度的社区发现与独立级联传播模型，发现潜在的忠诚用户与不忠诚用户。在某社交网络的微博数据集上，实现了社会性网络服务（SNS）下用户忠诚度的量化表示，获得了基于用户忠诚度的用户发现结果。实验结果表明，所提算法能够有效挖掘出基于忠诚度的用户分类，可以为社交网站针对用户的个性化推荐及营销等，提供理论支持和实用方法。