因果推断方法可以用于在观察数据上发现因果关系。在因果结构含混淆因子的数据上进行因果推断时，可能会受混淆因子的影响而得到错误的因果关系。针对上述问题，提出了一种基于混淆因子隐压缩表示（CHCR）模型的因果推断方法。首先，根据CHCR模型，构造含有对原因变量进行压缩表示的中间隐变量的备选模型；其次，利用贝叶斯信息准则（BIC）计算备选模型评分并选出得分最高的最佳模型；最后，根据最佳模型中的压缩情况判断变量间真正的因果关系。理论分析表明，所提出的方法能够识别经典的基于约束的方法所无法正确分辨的、带有混淆因子的因果结构，且在样本量较小等情况下，BIC评分也可以提高所提方法的表现。实验结果表明，在样本数变化时，所提出的方法在准确率指标上相较于极快因果推断算法（RFCI）等经典方法有显著提升，并适用于各种变量可能取值数不同的情况；在混合不同类型的因果结构时，该方法在准确率指标上高于最大最小爬山算法（MMHC）等经典方法；且该方法能够在Abalone数据集上得到正确的因果关系。

针对现实系统中用户偏好随时间动态变化且一个用户ID背后可能是一个家庭的多个成员在共用的问题，提出一种为这类隐含多个类型成员行为的群组用户解决其偏好随时间而变化的动态推荐算法。首先，假设用户的历史行为数据包括曝光数据和点击数据，并通过学习当前时刻下群组用户的各类型角色权重来判别当前成员角色；其次，根据曝光数据提出两种设计思路来构造流行度模型，并采用逆倾向评分加权方法来平衡训练数据；最后，利用矩阵分解技术得出随时间变化的用户潜在偏好因子和物品潜在属性因子，计算两者内积后得出用户随时间变化的Top- K偏好推荐。实验结果表明，该算法在召回率、平均精度均值（MAP）、归一化折损累计增益（NDCG）这三个指标上一天24个时刻中均能有至少16个时刻的表现优于基准方法，并能缩短运行时间，降低计算的时间复杂度

块对角表示（BDR）模型可以通过利用线性表示对数据有效地进行聚类，却无法很好地利用高维数据常见的非线性流形结构信息。针对这一问题，提出了基于近邻图改进的块对角子空间聚类（BDRNG）算法来通过近邻图来线性拟合高维数据的局部几何结构，并通过块对角约束来生成具有全局信息的块对角结构。BDRNG同时学习全局信息以及局部数据结构，从而获得更好的聚类表现。由于模型包含近邻图算子和非凸的块对角表示范数，BDRNG 采用了交替最小化来优化求解算法。实验结果如下：在噪声数据集上，BDRNG能够生成稳定的块对角结构系数矩阵，这说明了BDRNG对于噪声数据具有鲁棒性；在标准数据集上，BDRNG的聚类表现均优于BDR，尤其在人脸数据集上，相较于BDR，BDRNG的聚类准确度提高了8%。

针对如何融合节点自身属性以及网络结构信息实现社交网络节点分类的问题，提出了一种基于图编码网络的社交网络节点分类算法。首先，每个节点向邻域节点传播其携带的信息；其次，每个节点通过神经网络挖掘其与邻域节点之间可能隐含的关系，并且将这些关系进行融合；最后，每个节点根据自身信息以及与邻域节点关系的信息提取更高层次的特征，作为节点的表示，并且根据该表示对节点进行分类。在微博数据集上，与经典的深度随机游走模型、逻辑回归算法有以及最近提出的图卷积网络算法相比，所提算法分类准确率均有大于8%的提升；在DBLP数据集上，与多层感知器相比分类准确率提升4.83%，与图卷积网络相比分类准确率提升0.91%。

针对基于节点相似性的链接关系预测中因未考虑非对称信息导致预测准确度降低的问题，提出一种新的增加非对称信息的节点相似性度量方法。首先，分析了基于共同邻居（CN）的相似性度量算法的缺陷在于仅考虑CN的数量而未考虑各自节点的所有邻居的数量；然后，将节点之间的相似性度量定义为共同节点与所有邻居节点的比值，融合节点间对称相似信息和非对称相似信息，对节点间的相似程度进行深入细致的刻画；最后，将该方法应用到复杂网络中进行链接关系的预测。在真实数据集上的实验结果表明，与目前多种基于共邻的相似性度量方法——CN、AA、资源分配（RA）相比，所提方法提升了节点相似性度量的准确性，并且可以提高复杂网络中链接关系预测的准确度。

现有的无线网络性能优化方法主要基于指标间的相关关系分析，无法有效指导网络优化等干预行为。为此，提出典型因果推断（CCI）算法，并将其应用于无线网络性能优化。首先，针对无线网络性能由大量相关指标体现这一特性，采用典型相关分析（CCA）方法，提取指标中蕴含的原子事件；然后再采用因果推断方法，构建原子事件间的因果关系网络。通过上述两个阶段反复迭代，确定原子事件间的因果关系网络，为无线网络性能优化提出一个较为可靠和有效的依据。最后通过模拟实验验证了CCI算法的有效性，在某城市3万多个移动基站数据上发现了一批有意义的无线网络指标间的因果关系。

分析和研究文本读者情绪有助于发现互联网的负面信息，是舆情监控的重要组成部分。考虑到引起读者不同情绪主要因素在于文本的语义内容，如何抽取文本语义特征因此成为一个重要问题。针对这一问题，提出首先使用word2vec模型对文本进行初始的语义表达；在此基础上结合各个情绪类别分别构建有代表性的语义词簇，进而采用一定准则筛选对类别判断有效的词簇，从而将传统的文本词向量表达改进为语义词簇上的向量表达；最后使用多标签分类方法进行情绪标签的学习和分类。实验结果表明，该方法相对于现有的代表性方法来说能够获得更好的精度和稳定性。

由于缺少数据分布、参数和数据类别标记的先验信息，部分基聚类的正确性无法保证，进而影响聚类融合的性能；而且不同基聚类决策对于聚类融合的贡献程度不同，同等对待基聚类决策，将影响聚类融合结果的提升。为解决此问题，提出了基于随机取样的选择性K-means聚类融合算法（RS-KMCE）。该算法中的随机取样策略可以避免基聚类决策选取陷入局部极小，而且依据多样性和正确性定义的综合评价值，有利于算法快速收敛到较优的基聚类子集，提升融合性能。通过2个仿真数据库和4个UCI数据库的实验结果显示：RS-KMCE的聚类性能优于K-means算法、K-means融合算法（KMCE）以及基于Bagging的选择性K-means聚类融合（BA-KMCE）。

为了提高模糊系统处理高维问题的推广能力,基于最小二乘支持向量回归机(LSSVR)的思想提出了一个设计Mamdani模糊系统的新算法。传统算法都存在过学习问题,该算法在目标函数中考虑了结构风险避免了过学习现象,并将模糊系统的参数寻优问题转化为一个二次规划问题进行求解。在此算法中,构造了一种新的具有语言意义的数据依赖型模糊核函数,它是一种Mercer核。实验结果证明，该算法提高了Mamdani模糊系统的逼近能力和推广能力。