在分布式存储系统中，一般都是以磁盘空间利用率（DU）来判断各存储节点的负载均衡程度，当所有节点的磁盘空间利用率相等时，是整个分布式存储系统的存储负载均衡点。但是在实际的应用场景中，磁盘I/O速率比较低的存储节点和可靠性比较低的存储节点往往成为影响整个存储系统数据读写性能的瓶颈，因此在异构分布式存储系统中，特别是各存储节点磁盘I/O速率和可靠性差异较大的分布式存储系统中，如果仅仅以磁盘空间利用率作为存储负载均衡的判定条件，则其数据的读写效率必然受到限制。从读写效率的角度提出一种度量分布式存储系统中存储负载均衡的新思路。根据负载均衡理论和熵理论给出存储熵（SE）的定义，并提出一种基于存储熵的负载均衡算法，该算法通过系统负载判定、单节点负载判定和负载迁移实现了对分布式存储系统存储负载的量化调整，并通过实验与基于磁盘空间利用率的负载均衡算法进行了对比分析，验证了该算法对分布式存储系统中存储负载具有良好的均衡性，有效地控制了系统负载失衡的问题，提高了分布式存储系统的整体读写效率。

针对传统推荐算法忽略时间因素的问题,根据个体用户短期行为的相似性,利用时间衰减函数计算项目间相关关系,提出基于用户兴趣的项目关联度; 将其用于项目相似度的计算,提出基于用户兴趣的项目相似度; 同时基于项目关联度对ItemRank算法进行改进,提出一种结合时间因素的TItemRank算法.实验结果表明, 利用项目关联度对推荐算法进行改进时,在推荐项目数较少的情况下能够明显地改善推荐效果.特别地,在推荐项目数为20时,基于用户兴趣的项目相似度相比余弦相似度和Jaccard相似度,推荐准确率分别提高了21.9%、6.7%; 在推荐项目数为5时,TItemRank算法相比ItemRank算法推荐准确率提高2.9%.