使用传统的基于图的方法进行离群点检测构造转移概率矩阵需要使用数据的整体分布，容易忽略数据的局部信息，导致检测精度低，而使用数据的局部信息可能导致“悬空链接”的问题。针对这些问题，提出一个基于全息图平稳分布因子的离群点检测算法（HSDFOD）。首先，使用相似度矩阵自适应地获取每个数据点的邻居集合构造一个局部信息图；然后，引入最小生成树构造一个全局信息图；最后，利用局部信息图和全局信息图融合为一个全息图构造转移概率矩阵进行马尔可夫随机游走，并通过生成的平稳分布检测离群点。在人工数据集A1~A4上，HSDFOD的精确率均高于SOD（Outlier Detection in axis-parallel Subspaces of high dimensional data）、SUOD（accelerating large-Scale Unsupervised heterogeneous Outlier Detection）、IForest （Isolation Forest）和HBOS （Histogram-Based Outlier Score）；曲线下面积（AUC）整体上也优于这4个对比算法。在真实数据集上，HSDFOD的精确率均高于80%，AUC均高于SOD、SUOD、IForest和HBOS。可见，所提算法在离群点检测上有较好的应用前景。

针对网络大数据时代文本流的主题演化研究大多基于经典概率主题模型,以词袋假设为前提导致主题的语义缺失问题和批处理问题,提出一种在线增量的基于特征本体的主题演化算法。首先,基于词共现和通用本体库WordNet构建特征本体,用特征本体对文本流主题进行建模;其次,提出一种文本流主题矩阵构建算法,实现在线增量主题演化分析;最后,依据该矩阵提出文本流主题本体演化图构建算法,利用特征本体的子图相似度计算主题相似度,从而获得文本流中主题随时间的演化模式。在科技文献上的实验上,满意度同传统在线潜在狄利克雷分配模型(LDA)不相上下,但时间复杂度降低到O(nK+N)。所提出的方法引入了本体,加入了语义关系标注,可图形化展现主题的语义特征,并在此基础上在线增量地实现了主题演化图的构建,在语义解释性和主题可视化方面更具有优势。