针对目标检测中分类和定位子任务分别需要大感受野和高分辨率，难以在这两个相互矛盾的需求间取得平衡的问题，提出一种用于目标检测的基于注意力机制的特征金字塔网络算法。该算法能整合多个不同感受野来获取更丰富的语义信息，以一种更关注不同特征图重要性的方式融合多尺度特征图，并在注意力机制引导下进一步精练复杂融合后的特征图。首先，通过多尺度的空洞卷积获取多尺度感受野，在保留分辨率的同时增强语义信息；其次，通过多级特征融合（MLF）方式将多个不同尺度的特征图通过上采样或池化操作变为相同分辨率后融合；最后，利用注意力引导的特征精练模块（AFRM）对融合后的特征图作精练处理，丰富语义信息并消除融合带来的混叠效应。将所提特征金字塔替换Faster R-CNN中的特征金字塔网络（FPN）后在MS COCO 2017数据集上进行实验，结果表明当骨干网络为深度50和101的残差网络（ResNet）时，平均精度（AP）分别达到了39.2%和41.0%，与使用原FPN的Faster R-CNN相比，分别提高了1.4和1.0个百分点。可见，所提特征金字塔网络算法能替代原FPN，更好地应用在目标检测场景中。

随着大规模在线开放课程（MOOC）平台的广泛使用，需要一种有效的方法为用户推荐个性化课程。针对现有的课程推荐方法通常利用课程学习记录为用户的学习兴趣建立整体的静态表示，但忽略了学习兴趣动态变化与用户短期学习兴趣的问题，提出一种分层分期的注意力网络（HPAN）进行个性化课程推荐。该网络的第1层利用注意力网络得到用户的长短期学习兴趣，第2层将用户的长短期学习兴趣和短期交互序列相结合并通过注意力网络得到用户的兴趣向量；然后计算用户兴趣向量与每个课程向量的偏好值，据此为用户进行课程推荐。在XuetangX（学堂在线）公开数据集上的实验结果表明，与次优的序列分层注意力网络（SHAN）模型相比，HPAN模型的Recall@5提高了12.7%，与FPMC（Factorizing Personalized Markov Chains）模型相比，它的MRR@20提高了15.6%。HPAN模型的推荐效果优于对比模型，可解决实际的个性化课程推荐。