现实世界中的实体关系大多不能用简单的二元关系来表示，而超图能很好地表示实体间的多元关系。因此，提出超图团和极大团的定义，并给出了搜索超图极大团的精确算法和近似算法。首先，分析了现有的普通图上的极大团搜索算法无法直接应用到超图上的原因。然后，基于超图的特性和极大团的定义，提出了一种新颖的保存超点间邻接关系的数据结构，并提出了一种超图上的精确极大团搜索算法。由于精确算法的速度较慢，因此结合支撑点（pivot）的剪枝思想，削减递归层数，提出了一种超图上的近似极大团搜索算法。在多个真实超图数据集上的实验结果显示，所提近似算法在找到大多数极大团的前提下，提高了搜索速度，当在3-uniform超图上，测试超图团的点数为22时，加速比达到了1 000以上。

属性图嵌入旨在将属性图中的节点表示为低维向量，并同时保留节点的拓扑信息和属性信息。属性图嵌入已经有一系列相关工作，然而它们大多数提出的是有监督或半监督的算法。在实际应用中，需要标记的节点数量多，导致这些属性图嵌入算法的难度大，且需要消耗巨大的人力物力。针对上述问题以无监督的视角重新分析，提出了一种无监督的属性图嵌入算法。首先，通过已存在的无属性图嵌入算法和属性图的属性分别计算节点的拓扑信息和属性信息；其次，利用图卷积网络（GCN）得到节点的嵌入向量，并使得嵌入向量与拓扑信息以及嵌入向量与属性信息的差最小；最终，使拓扑信息和属性信息都相似的成对节点得到相似嵌入。与图自动编码器（GAE）方法相比，所提出的方法在Cora、Citeseer数据集上的节点分类准确率分别提升了1.2个百分点和2.4个百分点。实验结果表明，所提出的方法能够有效提高生成的嵌入的质量。

针对当数据集含有敏感信息时，直接发布频繁序列模式本身及其支持度计数都有可能泄露用户隐私信息的问题，提出一种满足差分隐私（DP）的频繁序列模式挖掘（DP-FSM）算法。该算法利用向下封闭性质生成候选序列模式集，基于智能截断方法从候选模式中挑选出频繁的序列模式，最后采用几何机制对所选出模式的真实支持度添加噪声进行扰动。另外，为了提高挖掘结果的可用性，设计了一个阈值修正的策略来减小挖掘过程中的截断误差和传播误差。理论分析证明了该算法满足ε-差分隐私。实验结果表明了该算法在拒真率（FNR）和相对支持度误差（RSE）两个指标上明显低于对比算法PFS²，有效地提高了挖掘结果的准确度。