针对现有跨领域情感分类方法中文本表示特征忽略了重要单词的情感信息，且在迁移过程中存在负迁移的问题，提出一种基于注意力机制的卷积-双向长短期记忆（AC-BiLSTM）模型的知识迁移方法。首先，利用低维稠密的词向量对文本进行向量表示；其次，采用卷积操作获取局部上下文特征之后，通过双向长短期记忆（BiLSTM）网络充分考虑特征之间的长期依赖关系；然后，通过引入注意力机制考虑不同词汇对文本的贡献程度，同时为了避免迁移过程中出现负迁移现象，在目标函数中引入正则项约束；最后，将在源领域产品评论训练得到的模型参数迁移到目标领域产品评论中，并在少量目标领域有标注数据上进行微调。实验结果表明，与AE-SCL-SR方法和对抗记忆网络（AMN）方法相比，AC-BiLSTM方法的平均准确率分别提高了6.5%和2.2%，AC-BiLSTM方法可以有效地提高跨领域情感分类性能。

针对传统协同过滤推荐算法中由于相似度计算导致推荐精度不足的问题，提出一种基于标签权重相似度量方法的协同过滤推荐算法。首先，通过改进当前算法中标签权重的计算，并构成用户-标签权重矩阵和物品-标签权重矩阵；其次，考虑到推荐系统是以用户为中心进行推荐，继而通过构建用户-物品关联矩阵来获取用户对物品最准确的评价和需求；最后，根据用户-物品的二部图，利用物质扩散算法计算基于标签权重的用户间相似度，并为目标用户生成推荐列表。实验结果表明，与一种基于"用户-项目-用户兴趣标签图"的协同好友推荐算法（UITGCF）相比，在稀疏度环境为0.1时该算法的召回率、准确率和F1值分别提高了14.69%、9.44%、17.23%。当推荐项目数量为10时，三个指标分别提高了17.99%、8.98%、16.27%。结果表明基于标签权重的协同过滤推荐算法可有效提高推荐结果。

针对多标签分类算法不能充分利用标签相关性的问题，通过建立标签的正、负相关性矩阵来挖掘标签间不同的相关关系，提出一种基于引力模型的多标签分类算法（MLBGM）。首先，遍历训练集中所有样本并分别求取每个训练样本的 k个近邻样本，组成该样本的近邻集合；其次，根据每个样本的近邻集合中所有近邻样本的标签分布情况，分别为每个训练样本建立正、负相关矩阵来获取标签间的相关性；然后，为每个训练样本的近邻集合计算其近邻密度和近邻权重；最后，采用计算数据粒子间相互作用力的方式构建多标签分类模型。实验结果显示，MLBGM与5种未考虑标签负相关的对比算法相比，汉明损失（HammingLoss）平均降低了15.62%，微平均F1值（MicroF1）平均提升了7.12%，子集准确率（SubsetAccurary）平均提升了14.88%。MLBGM充分利用了标签间不同的相关性，获得了有效的实验结果且分类效果优于未考虑标签负相关的对比算法。