针对传统视频摘要方法往往没有考虑时序信息以及提取的视频特征过于复杂、易出现过拟合现象的问题，提出一种基于改进的双向长短期记忆（BiLSTM）网络的视频摘要生成模型。首先，通过卷积神经网络（CNN）提取视频帧的深度特征，而且为了使生成的视频摘要更具多样性，采用BiLSTM网络将深度特征识别任务转换为视频帧的时序特征标注任务，让模型获得更多上下文信息；其次，考虑到生成的视频摘要应当具有代表性，因此通过融合最大池化在降低特征维度的同时突出关键信息以淡化冗余信息，使模型能够学习具有代表性的特征，而特征维度的降低也减少了全连接层需要的参数，避免了过拟合问题；最后，预测视频帧的重要性分数并转换为镜头分数，以此选取关键镜头生成视频摘要。实验结果表明，在标准数据集TvSum和SumMe上，改进后的视频摘要生成模型能提升生成视频摘要的准确性；而且它的F1-score值也比基于长短期记忆（LSTM）网络的视频摘要模型DPPLSTM在两个数据集上分别提高1.4和0.3个百分点。

数据作为一种现代信息社会不可或缺的新兴资源，从产生伊始就面临着被各方篡改的风险。遭到篡改的数据在可用性与真实性方面都会大打折扣。而区块链因其不可篡改、去中心化、防止单点故障的特性天然契合数据完整性保护的要求。首先，简述了区块链技术背景与数据保护的核心要求；其次，按照区块链类型将现有区块链数据完整性保护成果进行分类和介绍，并对各成果的优势与不足结合数据完整性保护进行总结；然后，将现有数据完整性保护技术分类并与区块链数据完整性保护技术进行比较，分析传统数据完整性保护技术的不足与区块链数据完整性保护技术的优势；最后，总结区块链数据完整性保护技术的不足之处，并给出解决思路。

鲁汶算法（LM）是基于模块度优化的复杂网络社区发现算法，有关模块度的现有研究中没有计算节点离开原属社区后模块度增益的方法。针对这一不足，基于模块度的定义和节点合并后模块度增益的计算方法，推导出了节点离开原属社区后模块度增益的计算方法，完善了该领域的理论研究。针对鲁汶算法对存储空间需求高的缺点，提出了基于孤立节点分离策略的改进鲁汶算法，该算法在每次迭代中将输入网络的孤立节点提前分离出去，只令其中的连通节点实际参与迭代过程，并在存储社区发现结果时将孤立节点和非孤立节点分开存储。基于真实网络的相关实验结果表明，采用孤立节点分离策略的改进方法，使算法对存储空间的需求减少了40%以上，并进一步缩短了算法的运行时间。因此，改进后的算法在处理真实网络时更具优势。