潜在因子模型（LFM）以其优异的性能在推荐领域得到了广泛应用。在LFM中除了使用交互数据以外，辅助信息也被引入用于解决数据稀疏的问题，从而提升推荐的性能。然而，大多数LFM仍然存在一些问题：第一，LFM在对用户进行建模时，忽略了用户如何根据其特征偏好对项目作出决策；第二，采用内积的特征交互假设特征维度之间是相互独立的，而没有考虑到特征维度之间的关联。针对上述问题，提出一种新的推荐模型：基于卷积神经网络（CNN）交互的用户属性偏好建模的推荐模型（UAMC）。该模型首先获得用户的一般偏好、用户属性和项目嵌入，然后将用户属性和项目嵌入进行交互，以探索用户不同的属性对不同项目的偏好；接着将交互过的用户偏好属性送入CNN层来探索不同偏好属性的不同维度的关联，从而得到用户的属性偏好向量；接着使用注意力机制结合用户的一般偏好和CNN层得到的属性偏好，从而获得用户的向量表示；最后采用点积来计算用户对项目的评分。在Movielens-100K、Movielens-1M和Book-crossing这三个真实的数据集上进行了实验。实验结果表明，所提模型在均方根误差（RMSE）上与稀疏数据预测的神经网络分解机（NFM）模型相比分别降低了1.75%、2.78%和0.25%，验证了在LFM的评分预测推荐中，UAMC在提升推荐精度上的有效性。

股票市场参与者的所有市场活动综合影响着股票市场的变化，使股票市场的波动充满复杂性，也使得准确预测股票价格成为难题。在这些影响股市变化的活动中，财务披露是预测股票指数变化的一种吸引人的且具有潜在财务回报的手段。为了应对股票市场的复杂变化，提出一种结合公司披露的财务报表数据进行股票指数预测的方法。该方法首先对股票指数历史数据和公司财务报表数据进行预处理，主要是对公司财务报表数据生成的高维矩阵进行降维，然后用双通道的长短期记忆（LSTM）网络对归一化后的数据进行预测研究。在上证50指数和沪深300指数数据集上的实验结果表明，该方法的预测效果优于仅使用股票指数历史数据的预测效果。

针对传统水流加热仿真中交互困难与效率低下的问题，提出一种基于光滑粒子流体动力学(SPH)的热运动仿真方法，旨在交互式控制水流加热变化过程。首先，基于SPH方法将连续水流粒子化，以粒子群模拟水流的运动，并通过碰撞检测方法将粒子运动限定在容器内；然后，采用第一类边界条件的热传导模型加热水粒子，并根据粒子的温度更新粒子的运动状态，以模拟加热过程中水流的热运动；最后，定义可编辑的系统参数与约束关系，通过人机交互仿真多种条件下水流加热及其运动过程。以太阳能热水器加热仿真为例，通过修改少量参数控制热水器的加热工作验证了SPH方法求解热传导问题时的交互性与高效性，为交互式水流加热在其他虚拟场景的应用提供了便利。

为了实现复杂网络社团发现算法的复杂度和精确度间的均衡，提出一种基于聚类粒化的社团发现算法(CGCDA)，将网络粒化获得的粒子视为一个社团，粒化结果即为对网络的社团划分。首先，将网络中的每个节点视为基本粒，通过初始粒化操作实现对网络的粒化；然后，针对获得的粒化集合中满足粒化系数的粒子进行聚类粒化操作，分层粒化直到不存在满足要求的粒子对；最后，将粒子对中的重叠节点视为孤立点，用邻居节点投票法把孤立节点归并到相应的粒子中，实现对复杂网络的社团划分。实验实现了Newman快速算法（NFA）、标号传播算法（LPA）和CGCDA。实验结果表明，CGCDA在四个基准数据集上可获得平均高于LPA 7.6%的模块度和低于NFA 96%的时间。CGCDA时间复杂度较低，获取的社团模块度较高，实现了社团发现时间和精确度的均衡，相比NFA、LPA总体性能更优。