针对现有人群计数算法采用同步人工优化深度学习网络，忽略了网络学习的负面信息，导致大量冗余参数甚至过拟合，进而影响到计数准确性的问题，提出基于多列卷积神经网络MCNN（Multi-column Convolution Neural Network）的参数异步更新算法。首先将单帧图像输入网络，经过三列卷积分别提取不同尺度特征，通过列之间的交互信息学习两列间特征图的关联性；接着，根据优化的交互信息及更新的损失函数异步更新每列参数直至算法收敛；最后采用动态卡尔曼滤波将每列输出密度图进行深度融合，并对融合的密度图中所有像素求和得到图像总人数。实验结果表明，所提算法在UCSD（University of California San Diego）数据集上的平均绝对误差（MAE）比该数据集上最优MAE表现的ic-CNN+McML（Iterative Crowd Counting Convolution Neural Network Multi-column Mutual Learning）减小了1.1%，均方误差（MSE）比该数据集上最优MSE表现的CP-CNN（Contextual Pyramid Convolution Neural Network）减小了4.3%；所提算法在ShanghaiTech Part_A数据集上的MAE比该数据集上最优MAE表现的ic-CNN+McML减小了1.7%，MSE比该数据集上最优MSE表现的ACSCP（Adversarial Cross-Scale Consistency Pursuit）减小了3.2%；在ShanghaiTech Part_B数据集上的MAE和MSE分别比该数据集上最优MAE和MSE表现的ic-CNN+McML减小了18.3%、35.2%；在UCF_CC_50（University of Central Florida Crowd Counting）数据集上的MAE和MSE分别比该数据集上最优MAE和MSE表现的ic-CNN+McML减小了1.9%、9.8%。可见，该算法能有效提高人群计数的准确性和鲁棒性，且允许输入图像具有任意大小或分辨率，能适应检测目标的大尺度变换。

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。