属性网络表示学习的目的是在保证网络中节点性质的前提下，结合结构和属性信息学习节点的低维稠密向量表示。目前属性网络表示学习方法忽略了网络中属性信息的学习，且这些方法中的属性信息与网络拓扑结构的交互性不足，不能高效融合网络结构和属性信息。针对以上问题，提出一种双路自编码器的属性网络表示学习（DENRL）算法。首先，通过多跳注意力机制捕获节点的高阶邻域信息；其次，设计低通拉普拉斯滤波器去除高频信号，并迭代获取重要邻居节点的属性信息；最后，构建自适应融合模块，通过结构和属性信息的一致性及差异性约束来增加对重要信息的获取，并通过监督两个自编码器的联合重构损失函数训练编码器。在Cora、Citeseer、Pubmed和Wiki数据集上的实验结果表明，与DeepWalk、ANRL（Attributed Network Representation Learning）等算法相比，DENRL算法在3个引文网络数据集上聚类准确率最高、算法运行时间最少，在Cora数据集上聚类准确率为0.775和运行时间为0.460 2 s；且DENRL算法在Cora和Citeseer数据集上链路预测精确率最高，分别达到了0.961和0.970。可见，属性与结构信息的融合及交互学习可以获得更强的节点表示能力。

随着大数据和云计算技术的不断发展，云平台成为存储海量数据的首选，而用户数据隐私与安全是云计算环境中最重要的问题之一。为确保数据的安全，用户通常将敏感数据加密后再存储在云服务器中，如何在云上高效检索这些密文数据成为了挑战。可搜索加密技术允许用户通过关键词直接检索密文数据，为实现密文数据的高效检索提供了有效的办法，在保护数据隐私的同时减少了通信和计算开销。近几年，可搜索公钥加密（PEKS）技术为了应对不同平台和应用场景，出现了大量基于不同困难问题、查询方式、改变结构的扩展方案。因此针对安全扩展和功能扩展，围绕时下应用需求在权限共享、密钥管理问题、细粒度搜索和访问控制能力方面对PEKS扩展方案进行综述，并对具体阐述的方案性能进行深入对比分析，指出存在的优势与不足。最后对PEKS技术的发展趋势进行总结和展望。

关系抽取旨在从文本中抽取实体与实体之间的语义关系。作为关系抽取的上层任务，实体识别所产生的错误将扩散至关系抽取，从而导致级联错误。与实体相比，实体边界粒度小且具有二义性，更易识别。因此，提出一种基于实体边界组合的关系抽取方法，通过跳过实体，对实体边界两两组合来进行关系抽取。由于边界性能高于实体性能，所以错误扩散的问题得到了缓解；并且通过特征组合的方法将实体类型特征和位置特征加入模型中，性能得到了进一步提高，再次减轻了错误扩散带来的影响。实验结果表明，所提方法在ACE 2005英文数据集的宏平均F1值优于表格-序列编码器方法8.61个百分点。