针对不同特征向量下选择最优核函数的学习方法问题,将多核学习支持向量机(MK-SVM)应用于音乐流派自动分类中,提出了将最优核函数进行加权组合构成合成核函数进行流派分类的方法。多核分类学习能够针对不同的声学特征采用不同的最优核函数,并通过学习得到各个核函数在分类中的权重,从而明确各声学特征在流派分类中的权重,为音乐流派分类中特征向量的分析和选择提供了一个清晰、明确的结果。在ISMIR 2011竞赛数据集上验证了提出的基于多核学习支持向量机(MKL-SVM)的分类方法,并与传统的基于单核支持向量机的方法进行了比较分析。实验结果表明基于MKL-SVM的音乐流派自动分类准确率比传统单核支持向量机的分类准确率提高了6.58%,且该方法与传统的特征选择结果比较,更清楚地解释了所选择的特征向量对流派分类的影响大小,通过选择影响较大的特征组合进行分类,分类结果也有了明显的提升。

为了减少电子商务平台中商品只有很少用户评价时评估商品信任值容易受到不公正、恶意评价的影响，提出一种基于评价网络评估评价可信度的信任启动方法。评价的可信度通过评估评价者对其他商品的评价得出，与评价者评价的数量、金额以及被评价商品的价格等因素有关。无评价商品的信任值来源于商品所在的商铺和商品的申明属性。当商品的评价具有足够高的可信度时，它的信任值就由足够可信的评价决定，否则部分由评价决定或按无评价的商品处理。计算、分析和测试结果表明提出的从评价网络评估评价信任度的方法同常规方法、k均值聚类方法相比产生的误差小而且对恶意评价比率不敏感，能有助于用户从电子商务平台选择值得信赖的上架初期的商品。

针对现有隐私保护聚类算法无法满足效率与隐私之间较好折中的问题,提出一种基于安全多方计算(SMC)与数据扰动相结合的分布式隐私保护聚类算法。各数据方用小波变换实现数据压缩和信息隐藏,并用属性列的随机重排来防止数据重构可能产生的信息泄露。该算法仅使用压缩重排后的数据参与分布聚类计算,因此计算量和通信量小,算法效率高,而多重保护措施有效保护了隐私数据。因小波变换具有高保真性,所以聚类精度受小波变换的影响较小。理论分析和实验结果表明,所提算法安全高效,在处理高维数据时全局F测量值和执行效率优于基于Haar小波的离散余弦变换(DCT-H)算法,解决了效率与隐私之间的折中问题。