运动目标检测旨在分离视频的背景与前景，然而常用的低秩因子分解法往往难以综合地处理动态背景和间歇性运动的问题。考虑到背景减除后的偏态噪声分布具有潜在的背景修正作用，提出一种基于可靠性低秩因子分解和泛化差异性差分的运动目标检测模型。首先，利用时间维度像素分布的峰值位置以及偏态分布性质选取一个不含离群像素的子序列，并计算该子序列的中值以形成静态背景；其次，利用非对称拉普拉斯分布对静态背景减除后的噪声建模，并把基于空间平滑的建模结果作为可靠性权重参与到低秩因子分解中，以此建模综合背景（含有动态背景）；最后，依次利用时间和空间连续约束提取前景。其中，针对时间连续性，提出了泛化差异性差分约束，从而通过相邻视频帧的差异信息抑制前景边缘的扩增。实验结果表明，与PCP、DECOLOR、LSD、TVRPCA、E-LSD、GSTO六种模型相比，所提模型的F-measure值最高。由此可知，所提模型在动态背景、间歇性运动等复杂场景中能有效提高前景的检测精度。

溯因推理是自然语言推理（NLI）中的重要任务，旨在通过给定的起始观测事件和最终观测事件，推断出二者之间合理的过程事件（假设）。早期的研究从每条训练样本中独立训练推理模型；而最近，主流的研究考虑了相似训练样本间的语义关联性，并以训练集中假设出现的频次拟合其合理程度，从而更精准地刻画假设在不同环境中的合理性。在此基础上，在刻画假设的合理性的同时，加入了合理假设与不合理假设的差异性和相对性约束，从而达到了假设的合理性和不合理性的双向刻画目的，并通过多对多的训练方式实现了整体相对性建模；此外，考虑到事件表达过程中单词重要性的差异，构造了对样本不同单词的关注模块，最终形成了基于注意力平衡列表的溯因推理模型。实验结果表明，与L2R²模型相比，所提模型在溯因推理主流数据集叙事文本中的溯因推理（ART）上的准确率和AUC分别提高了约0.46和1.36个百分点，证明了所提模型的有效性。

针对投稿刊物推荐算法总是单独考虑文本主题或者作者历史发刊记录，导致投稿刊物推荐结果准确率低的问题，提出了一种基于作者偏好的学术刊物投稿推荐算法。该算法不仅协调使用了文本主题和作者历史发刊记录，还挖掘了投稿刊物的学术焦点与时间的潜在联系。首先，使用潜在狄利克雷（LDA）主题模型对文章标题进行主题提取；其次，建立主题-刊物和时间-刊物的模型图，并采用大规模信息网络嵌入（LINE）模型学习异构图节点的嵌入；最后，融合作者的主题偏好和历史发刊记录来计算刊物的综合得分，并据此对投稿作者进行投稿刊物推荐。在两个公开数据集DBLP和PubMed上的实验结果表明，相比奇异值分解（SVD）、DeepWalk、非负矩阵分解（NMF）等6个算法，所提出的算法在不同推荐的投稿刊物列表长度的情况下的召回率均为最优，并且在需要从论文和知识库中获取更少信息的同时，保持了较高的准确性，能有效提高投稿刊物推荐算法的鲁棒性。