在社交事件网络（EBSN）中，推荐工作都是从用户的历史喜好出发建模用户偏好，阻碍了用户接触新事物的范围和途径。针对上述问题，提出基于新奇度量的社交事件推荐模型UER（Unexpectedness-based Event Recommendation）。UER模型包括Base和Unexpected两个子模型，首先，Base子模型基于用户、事件以及用户历史事件交互序列特征，通过注意力机制衡量事件在用户历史喜好中的权重，最终预测用户参加事件的概率；其次，Unexpected子模型通过自注意力机制提取用户的多个兴趣表示来计算用户自身新奇度和候选事件对用户的新奇值，从而衡量推荐事件的新奇程度。在Meetup-加州数据集上，UER模型相较于DIN（Deep Interest Network）和PURS（Personalized Unexpected Recommender System）的推荐命中率（HR）分别提高22.9%和30.3%，归一化折损累积收益（NDCG）分别提高27.5%和42.3%，推荐事件的新奇程度分别提高54.5%和21.4%；在Meetup-纽约数据集上，UER模型相较于DIN和PURS的HR分别提高18.2%和21.8%，NDCG分别提高26.9%和32.0%，推荐事件的新奇程度分别提高52.6%和20.8%。

为解决复原后的运动模糊人像图像的轮廓模糊、细节丢失等问题，提出了基于多级跳跃残差组生成对抗网络（GAN）的运动人像去模糊方法。首先，改进残差块以构造多级跳跃残差组模块，并改进PatchGAN的结构以使GAN能够更好地结合各层的图像特征；其次，使用多损失融合的方法优化网络，从而增强重建后图像的真实纹理；最后，采用端到端的模式将运动模糊的人像图像进行盲去模糊操作，并输出清晰的人像图像。在CelebA数据集上的实验结果表明，相较于DeblurGAN（Deblur GAN）、尺度循环网络（SRN）和MSRAN（Multi-Scale Recurrent Attention Network）等基于卷积神经网络（CNN）的方法，所提方法的峰值信噪比（PSNR）和结构相似度（SSIM）分别至少提高了0.46 dB和0.05；同时，所提方法的模型参数更少，修复速度更快，且复原后的人像图像具有更多的纹理细节。

异构信息系统在高校中的大量存在阻碍了数据资产整合与信息交互，面向服务的架构（SOA）的出现及在企业中的广泛采用为解决此问题提供了思路，但在高校中实施SOA存在难度大、难以形成以SOA为基础的信息化生态的问题。针对这些问题，提出主数据管理驱动的SOA建设方案。首先，在数据层面运用主数据管理平台对校级核心数据资产进行建模和整合；为实现数据同步和消费，并解决其中存在的协议转换及服务鉴权问题，提出了基于企业服务总线的解决方案；然后，针对遗留"信息孤岛"系统进行SOA改造，提出主数据驱动的建设方案。实验结果表明单用户、10用户、100用户及10000用户并发下的平均延迟分别为8、11、59及18 ms，表明在不同并发场景下所提方案性能均满足高校业务需求。实施结果表明，数据资产整合和信息交互问题得到了解决，因此方案具有可行性。