针对变形的奇异值分解（SVD++）算法的评分规则在模型训练和预测两个阶段的不一致问题和列表级矩阵因子分解（ListRank-MF）算法的Top-1排序概率在大量物品评分一样时排序概率一样的问题，提出一种结合物品流行度的列表级矩阵因子分解算法。首先，在评分规则中使用到的用户有过行为的物品集合中去除当前待评分物品；接着结合物品流行度改进Top-1排序概率；然后使用随机梯度下降算法求解目标函数并进行Top- N推荐。基于修正的SVD++评分规则，在MovieLens和Netflix数据集上比较了所提算法与目标函数为点级和列表级的SVD++算法。所提算法与列表级的SVD++算法相比，Top- N推荐准确率指标归一化折损累积增益（NDCG）值在MovieLens数据集上提高了5%~8%，在Netflix数据集上提高了1%左右。实验结果表明，所提算法能够有效提高Top- N推荐准确率。

现有的对抗全局窃听攻击的安全网络编码方案存在引入了带宽开销、导致了很高的计算复杂度的问题，为了降低带宽开销并且提升实际编码效率，提出了一种新的对抗全局窃听的安全网络编码方案。对于编码域大小为q的网络编码，该方案利用密钥生成两个长度为 q的置换序列，并利用置换序列对信源消息进行混合和替换，从而实现对抗全局窃听攻击。该方案只需在信源节点对信源消息进行加密，在中间节点不需作任何改变。由于该方案加密算法简单、编码复杂度低并且不需要预编码操作，因此该方案没有引入带宽开销且具有较高的实际编码效率。分析结果表明该方案不但可以抵抗唯密文攻击，对于已知明文攻击也有很好的抵抗效果。