利用场景图的上下文信息可以帮助模型理解目标之间的关联作用；然而，大量不相关的目标可能带来额外噪声，进而影响信息交互，造成预测偏差。在嘈杂且多样的场景中，即使几个简单的关联目标，也足够推断目标所处的环境信息，并消除其他目标的歧义信息。此外，在面对真实场景中的长尾偏差数据时，场景图生成（SGG）的性能难以令人满意。针对上下文信息增强和预测偏差的问题，提出一种基于关联信息增强与关系平衡的SGG（IERB）方法。IERB方法采用一种二次推理结构，即根据有偏场景图的预测结果重新构建不同预测视角下的关联信息并平衡预测偏差。首先，聚焦不同视角下的强相关目标以构建上下文关联信息；其次，利用树型结构的平衡策略增强尾部关系的预测能力；最后，采用一种预测引导方式在已有场景图的基础上预测优化。在通用的数据集Visual Genome上的实验结果表明，与3类基线模型VTransE（Visual Translation Embedding network）、Motif和VCTree（Visual Context Tree）相比，所提方法在谓词分类（PredCls）任务下的均值召回率mR@100分别提高了11.66、13.77和13.62个百分点，验证了所提方法的有效性。

全景场景图生成（PSGG）旨在识别图像中所有对象并自动地捕获所有对象间的语义关联关系。语义关联关系建模依赖目标对象及对象对（subject-object pair）的特征描述，然而现行工作中存在以下不足：采用边界框提取方式获取的对象特征较模糊；仅关注对象的语义和空间位置特征，忽略了对关系预测同样重要的对象对的语义联合特征和相对位置特征；未能针对不同类型的对象对（如前景-前景、前景-背景、背景-背景）进行差异化特征提取，进而忽略了它们之间的差异性。针对上述问题，提出一种基于关系特征强化的全景场景图生成方法（RFE）。首先，通过引入像素级掩码区域特征，丰富对象特征的细节信息，同时有效地融合对象对的联合视觉特征、语义联合特征和相对位置特征；其次，根据对象对的不同类型，自适应地选择最适合本类型对象对的特征提取方式；最后，获得强化后更精确的关系特征用于关系预测。在PSG数据集上的实验结果表明，以VCTree（Visual Contexts Tree）、Motifs、IMP（Iterative Message Passing）和GPSNet为基线方法，ResNet-101为骨干网络，RFE在具有挑战性的SGGen任务上召回率（R@20）指标分别提高了4.37、3.68、2.08和1.80个百分点，验证了所提方法在PSGG的有效性。

针对知识追踪（KT）模型没有充分考虑学生间差异、挖掘知识状态与习题的高度匹配等问题，提出一种双层网络架构——基于个性化学习和深层次细化的知识追踪（PLDRKT）。首先，利用增强注意力机制得到习题的深层次细化表示；其次，从不同学生对习题的难度感知和学习收益方面对初步知识状态进行个性化建模；最后，利用初步知识状态和深层习题表示得到学生的深层次知识状态并预测他们的未来答题情况。将PLDRKT模型与基于对抗训练的增强知识追踪（ATKT）和集成知识追踪（ENKT）等7种模型在Statics2011、ASSIST09、ASSIST15和ASSIST17数据集上进行对比实验。实验结果显示，PLDRKT模型的曲线下面积（AUC）均有增加，在4个数据集上与不考虑习题嵌入的最优基线模型相比，分别增加了0.61、1.32、5.29和0.19个百分点，可见PLDRKT模型可以较好地建模学生知识状态并预测回答。

运动目标检测旨在分离视频的背景与前景，然而常用的低秩因子分解法往往难以综合地处理动态背景和间歇性运动的问题。考虑到背景减除后的偏态噪声分布具有潜在的背景修正作用，提出一种基于可靠性低秩因子分解和泛化差异性差分的运动目标检测模型。首先，利用时间维度像素分布的峰值位置以及偏态分布性质选取一个不含离群像素的子序列，并计算该子序列的中值以形成静态背景；其次，利用非对称拉普拉斯分布对静态背景减除后的噪声建模，并把基于空间平滑的建模结果作为可靠性权重参与到低秩因子分解中，以此建模综合背景（含有动态背景）；最后，依次利用时间和空间连续约束提取前景。其中，针对时间连续性，提出了泛化差异性差分约束，从而通过相邻视频帧的差异信息抑制前景边缘的扩增。实验结果表明，与PCP、DECOLOR、LSD、TVRPCA、E-LSD、GSTO六种模型相比，所提模型的F-measure值最高。由此可知，所提模型在动态背景、间歇性运动等复杂场景中能有效提高前景的检测精度。

溯因推理是自然语言推理（NLI）中的重要任务，旨在通过给定的起始观测事件和最终观测事件，推断出二者之间合理的过程事件（假设）。早期的研究从每条训练样本中独立训练推理模型；而最近，主流的研究考虑了相似训练样本间的语义关联性，并以训练集中假设出现的频次拟合其合理程度，从而更精准地刻画假设在不同环境中的合理性。在此基础上，在刻画假设的合理性的同时，加入了合理假设与不合理假设的差异性和相对性约束，从而达到了假设的合理性和不合理性的双向刻画目的，并通过多对多的训练方式实现了整体相对性建模；此外，考虑到事件表达过程中单词重要性的差异，构造了对样本不同单词的关注模块，最终形成了基于注意力平衡列表的溯因推理模型。实验结果表明，与L2R²模型相比，所提模型在溯因推理主流数据集叙事文本中的溯因推理（ART）上的准确率和AUC分别提高了约0.46和1.36个百分点，证明了所提模型的有效性。

针对投稿刊物推荐算法总是单独考虑文本主题或者作者历史发刊记录，导致投稿刊物推荐结果准确率低的问题，提出了一种基于作者偏好的学术刊物投稿推荐算法。该算法不仅协调使用了文本主题和作者历史发刊记录，还挖掘了投稿刊物的学术焦点与时间的潜在联系。首先，使用潜在狄利克雷（LDA）主题模型对文章标题进行主题提取；其次，建立主题-刊物和时间-刊物的模型图，并采用大规模信息网络嵌入（LINE）模型学习异构图节点的嵌入；最后，融合作者的主题偏好和历史发刊记录来计算刊物的综合得分，并据此对投稿作者进行投稿刊物推荐。在两个公开数据集DBLP和PubMed上的实验结果表明，相比奇异值分解（SVD）、DeepWalk、非负矩阵分解（NMF）等6个算法，所提出的算法在不同推荐的投稿刊物列表长度的情况下的召回率均为最优，并且在需要从论文和知识库中获取更少信息的同时，保持了较高的准确性，能有效提高投稿刊物推荐算法的鲁棒性。