针对目前的Docker swarm内置的调度策略无法很好地实现Docker集群的负载均衡并且对集群资源的使用率不高的问题，提出了一种动态加权调度算法。所提算法对资源设置权重系数，引入参数bias针对不同服务对资源权重进行动态调整，根据各个节点的实际资源利用情况，对节点资源按照权重进行加权计算，用权值反映节点负载，并将此作为调度依据。在和Docker原始调度策略以及无参数调整的加权调度策略的对比实验中，该算法使得集群中各个节点上的各项资源利用率更加均衡；同时，在集群负载比较高的情况下，该算法实现了更快的服务运行速度。

针对传统基于时序效应的奇异值分解（SVD）推荐模型在对用户预测评分建模过程中只考虑评分矩阵，采用复杂的时间函数拟合项目的生命周期、用户偏好的时序变化过程，造成模型难于解释、用户偏好捕获不准、评分预测精度不够高等问题，提出了一种改进的综合考虑评分矩阵、项目属性、用户评论标签和时序效应的推荐模型。首先，通过将时间轴划分时间段，利用sigmoid函数将项目的阶段流行度变换为[0，1]区间上的影响力来改进项目偏置；其次，利用非线性函数将用户偏置的时序变化转变为阶段评分均值与总体均值偏差的时序变化来改进用户偏置；最后，通过捕获用户对项目的阶段兴趣度，结合其相似用户在此时间段对该项目的好评率，生成用户项目交互作用影响因子，实现用户项目交互作用的改进。在Movielence 10M和20M电影评分数据集上的测试表明，改进模型能更好地捕获用户偏好的时序变化过程，提高评分预测准确性，均方根误差平均提高了2.5%。