为了解决知识图谱的链接预测问题，提出了一种共享变量的神经网络模型（LCPE），该模型通过将实体和关系嵌入到向量空间中实现对链接的预测。通过分析Unstructured Model，推导出在向量空间中两个有关系的实体嵌入距离更近，即相似的实体之间更可能具有关系，LCPE模型将ProjE模型和实体之间的相似度信息进行融合，在判断两个实体是否有关系的基础上判断具体关系类型。三元组预测实验中，LCPE模型在与ProjE模型参数规模相同的情况下，在公开数据集WN18中，正例三元组的平均得分排名（Mean Rank）比ProjE提前了11，而正例三元组在前10名中出现的概率Hit@10比ProjE提升了0.2个百分点；在FB15k中，Mean Rank提前了7.5，Hits@10平均提升了3.05个百分点：证明了LCPE模型能够将实体相似度信息融入ProjE中并有效提升预测准确度。

针对主题模型中词汇独立性和主题独立性假设忽略了视觉词汇间空间关系的问题,提出了一种融合了视觉词汇空间信息的主题模型,称为马尔可夫主题随机场(MTRF),并且提出了主题在图像处理中的表现形式为对象的组成部件。根据相邻视觉词汇以很大概率产生于同一主题的特点,该算法在产生主题的过程中,通过视觉词汇间是否产生于同一主题,来判断主题产生于马尔可夫随机场(MRF),还是产生于多项式分布。同时,从理论和实验两方面论证了主题并非对象的实例,而是以中层特征的形式表达对象的各个组成部件。与隐狄利克雷分配(LDA)相比,MTRF在Caltech101上的平均准确率提高了3.91%;在VOC2007数据集上的平均精度均值(mAP)提高了2.03%;此外,MTRF更准确地为视觉词汇分配了主题,能产生更有效表达对象的组成部件的中层特征。实验结果表明,MTRF有效地利用了空间信息,提高了模型的准确率。