基于预训练微调的分类方法通常需要大量带标注的数据，导致无法应用于小样本分类任务。因此，针对中文小样本新闻主题分类任务，提出一种基于知识增强和提示学习的分类方法KPL（Knowledge enhancement and Prompt Learning）。首先，利用预训练模型在训练集上学习最优的提示模板；其次，将提示模板与输入文本结合，使分类任务转化为完形填空任务；同时利用外部知识扩充标签词空间，丰富标签词的语义信息；最后，对预测的标签词与原始的标签进行映射。通过在THUCNews、SHNews和Toutiao这3个新闻数据集上进行随机采样，形成小样本训练集和验证集进行实验。实验结果表明，所提方法在上述数据集上的1-shot、5-shot、10-shot和20-shot任务上整体表现有所提升，尤其在1-shot任务上提升效果突出，与基线小样本分类方法相比，准确率分别提高了7.59、2.11和3.10个百分点以上，验证了KPL在小样本新闻主题分类任务上的有效性。

针对新闻主题文本用词缺乏规范、语义模糊、特征稀疏等问题，提出了结合BERT和特征投影网络（FPnet）的新闻主题文本分类方法。该方法包含两种实现方式：方式1将新闻主题文本在BERT模型的输出进行多层全连接层特征提取，并将最终提取到的文本特征结合特征投影方法进行提纯，从而强化分类效果；方式2在BERT模型内部的隐藏层中融合特征投影网络进行特征投影，从而通过隐藏层特征投影强化提纯分类特征。在今日头条、搜狐新闻、THUCNews-L、THUCNews-S数据集上进行实验，实验结果表明上述两种方式相较于基线BERT方法在准确率、宏平均F1值上均具有更好的表现，准确率最高分别为86.96%、86.17%、94.40%和93.73%，验证了所提方法的可行性和有效性。

传统的机器学习方法在对网络评论文本进行情感极性分类时，未能充分挖掘语义信息和关联信息，而已有的深度学习方法虽能提取语义信息和上下文信息，但该过程往往是单向的，在获取评论文本的深层语义信息过程中存在不足。针对以上问题，提出了一种结合广义自回归预训练语言模型（XLNet）与循环卷积神经网络（RCNN）的文本情感分析方法。首先，利用XLNet对文本进行特征表示，并通过引入片段级递归机制和相对位置信息编码，充分利用了评论文本的语境信息，从而有效提升了文本特征的表达能力；然后，利用RCNN对文本特征进行双向训练，并在更深层次上提取文本的上下文语义信息，从而提升了在情感分析任务中的综合性能。所提方法分别在三个公开数据集weibo-100k、waimai-10k和ChnSentiCorp上进行了实验，准确率分别达到了96.4%、91.8%和92.9%。实验结果证明了所提方法在情感分析任务中的有效性。

基于会话的推荐旨在根据当前用户的匿名会话的点击序列信息来预测用户的下一次点击行为。现有方法多数都是通过对用户会话点击序列的物品信息进行建模，并学习物品的向量表示，进而进行推荐。而作为一种粗粒度的信息，物品的类别信息对物品有聚合作用，可作为物品信息的重要补充。基于此，提出了基于会话的多粒度图神经网络推荐模型（SRMGNN）。首先，使用图神经网络（GNN）得到会话序列中的物品和物品类别的嵌入向量表示，并使用注意力网络捕捉用户的注意力信息；然后，将赋予了不同注意力权重值的物品和物品类别信息进行融合后，输入到门限循环单元（GRU）里；最后，通过GRU学习会话序列的物品时序信息，并给出推荐列表。在公开的Yoochoose数据集和Diginetica数据集上进行实验，实验结果验证了该模型在增加了物品类别信息后的优势，且实验结果表明了在Precision@20和MRR@20这2种评价指标上，该模型相较于短期注意力/记忆优先级（STAMP）模型、神经注意力（NARM）模型、GRU4REC等8种模型均有更好的效果。

在分析Boyer-Moore (BM)算法的基础上，提出了BM算法的一个新的变形。其基本思想是在算法的预处理阶段，对扩展模式串Pa建立好后缀规则，其中：P是模式串，a是字母表中的任一字符，既加大了已匹配后缀的长度，同时隐含了Sunday算法的坏字符规则，从而获得更大的窗口跳跃距离。理论分析证明，该算法具有线性最差时间复杂度和亚线性平均时间复杂度，空间复杂度为O(m(σ+1))。实验结果表明，该算法的实际性能与BM算法相比有明显改善，尤其适合小字母表的情形。