针对当前用户轨迹数据建模中存在的签到点稀疏性、长时间依赖性和移动模式复杂等问题，提出基于自监督学习的社交网络用户轨迹预测模型SeNext，对用户轨迹进行建模和训练来预测用户的下一个兴趣点（POI）。首先，使用数据增强的方式来丰富训练数据样本，以解决数据不足及个别用户足迹太少导致的模型泛化能力不足的问题；其次，将循环神经网络（RNN）、卷积神经网络（CNN）和注意力机制分别用于当前轨迹和历史轨迹的建模中，以此从高维稀疏的数据中提取有用的表示，用来匹配用户过去最相似的移动方式。最后，通过结合自监督学习并引入对比损失优化噪声对比估计（InfoNCE），SeNext在潜在空间学习隐含表示来预测用户的下一个POI。实验结果表明，在纽约数据集上，SeNext比最新的VANext（Variational Attention based Next）模型的预测准确度在Top@1上提高了11.10%左右。

传感器网络等技术的广泛应用产生了大量不确定数据。近年来,对于不确定数据的处理和查询成为数据库和数据挖掘领域研究的热点。其中,传统关系数据库中的top-k查询和排序查询怎样拓展到不确定数据是其中的焦点之一。研究近年来提出的不确定数据库上top-k查询和排序查询算法,归纳和比较目前各种不同查询算法所适应的语义世界和应用场景,并详细分析各种算法的执行效率和算法复杂度。另外,对于不确定数据top-k查询和排序查询所面临的挑战和可能的研究方向进行了总结。

在SAML2.0规范的基础上提出一种支持移动设备信任迁移的设计，规划出总体体系结构。在此基础上描述了整个系统运作流程，详细分析了潜在的安全性和部署等相关方面的问题，并提出了相应解决办法。