针对个性化商品推荐方法中普遍存在的推荐准确率不高的问题，提出一种集成用户信任度和品牌认可度的商品推荐方法（TBCRMI）。该方法通过分析用户的购买行为和评价行为，计算得到用户对商品品牌的认可度和用户自身的活跃度；然后利用DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法对用户进行聚类，并在此基础上融合用户信任关系，采用Top- K方法得到近邻关系；最后，依据近邻关系生成目标用户商品推荐列表。为了验证算法的有效性，使用Amazon Food和Unlocked Mobile phone两个数据集，选择基于用户的协同过滤算法（UserCF）、融合用户信任的协同过滤推荐算法（SPTUserCF）与合并用户信任的协同过滤算法（MTUserCF），对准确率、召回率和 F1值等指标进行了对比分析。实验结果表明，无论是多品牌综合推荐还是单一品牌推荐，TBCRMI在各项指标均优于目前常用的个性化商品推荐方法。

针对现有(全)同态加密方案的整体性能不能达到实用要求的问题,为获得新的性能更好的同态加密思路,对基于中国剩余定理(CRT)的快速公钥加密方案的同态性进行了研究。考察了基于原方案构造加法和乘法同态操作的可能性,指出基于原方案不适于构造加法同态操作和乘法同态操作,并分析了原方案在安全性和效率方面存在的几个问题。提出了一个改进方案,分析了算法的安全性,尤其是对抗格基规约攻击的性能。研究了基于改进方案构造同态操作的可行性,并对原方案和改进方案的主要性能作了对比。最后对同态性构建过程中的经验进行了总结,提出了构建理想(全)同态加密方案的思路。

大数据时代，开展面向海量、分布数据的知识发现研究成为学界和业界关注的热点，而负载均衡问题是开发分布式挖掘算法必须考虑的重要因素之一。为此，提出了一种基于垂直频繁模式树带有负载均衡的分布关联规则挖掘算法，算法采用垂直频繁模式树存储项及其关联而无需对局部挖掘结果进行合并，减少了通信量，简化了处理流程。同时所提出的算法采用混合体系结构即中心站点按照局部站点的处理能力分配任务，实现了负载均衡，提升了算法的性能。实验结果表明所提算法切实可行并具有较高效率。

核函数方法可挖掘出高精度快速印刷品图像间的非线性分布规律，而挖掘能力由所选择的核函数及其参数来决定。这两者的学习与选择同样是核函数理论继续发展与实际应用需要迫切解决的问题。针对印刷品智能检测这一特定背景，提出了一种新的基于优化问题的从具有动态参数的函数空间中学习核函数及参数的方法，以此来使核函数方法达到最优性能。与传统的计算方法不同之处在于其核函数空间中的核参数是连续变化的，这使学习的范围得到一个维度上的扩展。实验结果显示，结合理论分析的迭代算法仅需要10次迭代便可得到统计最优的核函数及参数，利用学习到的核函数计算的复原误差是统计最小的。

协同推荐是电子商务中被广泛使用的个性化服务技术,但由于数据稀疏、冷启动等原因,导致现有协同推荐方法的个性化服务水平不高。为提高协同推荐的准确性,利用社会网络分析对协同推荐方法加以改进,提出一种基于社会网络分析改进的协同推荐方法。该方法利用社会网络分析技术分析用户间的关系,将其量化为信任度以填充用户-项矩阵,并将信任度融入到用户相似性计算中。通过实验分析验证了所提方法的有效性。以信任度扩充用户-项矩阵不仅可以较好地解决协同推荐中数据稀疏和冷启动问题,而且能够提高协同推荐的准确性。

针对现有实体识别方法自动化水平不高、适应性差等不足,提出一种基于反向传播(BP)神经网络的Deep Web实体识别方法。该方法将实体分块后利用反向传播神经网络的自主学习特性,将语义块相似度值作为反向传播神经网络的输入,通过训练得到正确的实体识别模型,从而实现对异构数据源的自动化实体识别。实验结果表明,所提方法的应用不仅能够减少实体识别中的人工干预,而且能够提高实体识别的效率和准确率。

针对一类特殊的非线性方程组雅克比矩阵奇异的问题，提出了一种基于对偶空间的牛顿迭代方法。给出了一个显式的计算对偶空间的公式，在此基础上利用对偶空间作用于原方程组构造新的方程，使扩充后的方程组在近似值点的雅可比矩阵满秩，从而恢复牛顿迭代算法的二次收敛性。实验结果表明，改进后的算法一般迭代3次计算精度就可以达到10^(-15)。所提算法丰富了代数几何中关于理想的对偶空间理论，也为工程应用中的数值计算提供了一种新方法。

在Web服务匹配中,基于语义距离的概念相似度计算方法居于重要的地位。因现有基于语义距离的概念相似度计算方法未考虑语义不对称性和语义密度的影响,导致计算结果不够准确。为提高概念相似度计算的准确性,在现有研究的基础上,通过增加不对称因子和密度因子,对基于语义距离的概念相似度计算方法加以改进。最后通过算例对改进后的方法的可行性进行了验证,经对比分析表明改进后的方法更真实地反映了概念间的语义关系,计算结果更加符合客观实际。

目前Web环境中蕴涵着大量的Web服务和Web服务请求，基于语义的Web服务匹配能够提高Web服务发现的准确性，但由于其复杂的语义计算，导致系统响应速度慢。首先，对语义Web服务过程进行了分析，确定大量的语义计算主要集中在输入/输出（I/O）匹配环节；然后，在研究现有I/O匹配算法和分析影响语义相似度的主要因素基础上，给出了一种带有高效索引的语义Web服务I/O匹配优化方法，包括：高效索引的建立和基于哈希二次探测再散列的启发式筛选机制的提出；最后，通过实例证明了该方法切实可行。该方法通过筛除无关Web服务，减少了语义计算量，提高了系统响应速度，进而带来了更好的用户体验。

针对多元多项式因式分解困难问题，利用现有因式分解算法，提出了一种基于任意精度计算函数库NTL的高效多元多项式因式分解实现方法HPFMP。介绍了NTL算法库,讨论了如何运用该算法库实现高效的数论与计算代数计算；充分利用具备高效、任意精度大整数、实数的计算数论与计算代数的NTL算法库实现了多元多项式因式分解；与现有代数系统Maple11进行了对比测试，实验结果表明，该实现方法具有更高的效率。