针对当前用户轨迹数据建模中存在的签到点稀疏性、长时间依赖性和移动模式复杂等问题，提出基于自监督学习的社交网络用户轨迹预测模型SeNext，对用户轨迹进行建模和训练来预测用户的下一个兴趣点（POI）。首先，使用数据增强的方式来丰富训练数据样本，以解决数据不足及个别用户足迹太少导致的模型泛化能力不足的问题；其次，将循环神经网络（RNN）、卷积神经网络（CNN）和注意力机制分别用于当前轨迹和历史轨迹的建模中，以此从高维稀疏的数据中提取有用的表示，用来匹配用户过去最相似的移动方式。最后，通过结合自监督学习并引入对比损失优化噪声对比估计（InfoNCE），SeNext在潜在空间学习隐含表示来预测用户的下一个POI。实验结果表明，在纽约数据集上，SeNext比最新的VANext（Variational Attention based Next）模型的预测准确度在Top@1上提高了11.10%左右。

在目标检测领域里通常希望在拥有大量标记的场景中训练好的模型能够应用在无标记的其他场景中，但是不同的域分布往往是不同的，这样往往导致域迁移时模型性能的急剧下降。为了提高域迁移时模型的目标检测性能，通过两个层级来解决域迁移问题，包括全局层级迁移和局部层级迁移。这两种层级迁移分别对应不同的特征对齐方式，即全局层级采用选择性对齐方式，局部层级采用完全对齐方式。所提域迁移框架基于单点多盒检测器（SSD）模型，在全局和局部层级分别配置相应的域适配器以减少域间差异，通过对抗网络算法实现具体训练，再通过一致性正则化来进一步提高模型的域迁移性能。通过大量实验验证了提出的域迁移模型的有效性，结果表明同目前常见的域适应-快速区域卷积（DA-FRCNN）模型、对抗识别域适应（ADDA）模型以及动态对抗适应网络（DAAN）模型等三种域迁移模型相比，该模型在不同数据集上的均值平均精度（mAP）可以提高5%~10%。

等距特征映射(ISOMAP)不仅计算复杂度很高,而且缺乏对新样本的学习能力。基于标志点的ISOMAP(L-ISOMAP)通过只保持一些标志点之间的测地线距离有效地降低了复杂度,然而标志点集的随机选择常常会导致较差的嵌入结果。为此,提出了一种基于小世界模型的流形学习算法。根据小世界模型的原理,该算法仅仅保持每个样本点与其k个最近邻和一些随机选择的远点之间的测地线距离,采用最速梯度下降法优化来得到数据的低维表示。理论分析表明,该算法的计算复杂度远远低于ISOMAP的复杂度。利用应力函数和剩余方差对3个算法进行了比较。实验结果表明,从该算法得到的结果与从ISOMAP得到的结果相近,且优于从L-ISOMAP得到的结果。同时,该算法可以实现对新样本的学习,对噪声也不太敏感。

随着Web技术的发展以及OLAP服务在各种信息系统中的广泛应用,越来越多的系统允许用户通过Web方式访问OLAP服务。目前的实现方式存在着性能差、受并发用户数限制、用户状态难于监控等弊端,文中把对象池的概念引入到OLAP分析系统,提出了Web环境下OLAP对象池的设计策略,并给出了一个具体实现。