用户的社交媒体中蕴含着他们过去的个人经历和潜在的生活规律，研究其规律对预测用户未来的行为以及对用户进行个性化推荐有很大的价值。通过收集微博数据，定义了11种类型的事件，并提出了一个三阶段的Pipeline的系统，利用BERT预训练模型，分别在三个阶段使用BERT+BiLSTM+Attention、BERT+FullConnect、BERT+BiLSTM+CRF方法进行个人事件检测。从微博文本中抽取出该文本是否包含定义的事件、包含的事件类型、每种事件包含的元素等信息，具体元素为Subject（事件主语）、Object（事件元素）、Time（事件发生时间）、Place（事件发生的地点）和Tense（事件发生的时态），从而探究用户个人时间轴上的事件变化规律来预测个人事件。在收集的真实用户微博数据集上进行实验，并与逻辑回归、朴素贝叶斯、随机森林、决策树等分类算法进行对比分析。实验结果表明，三个阶段中的BERT+BiLSTM+Attention、BERT+FullConnect和BERT+BiLSTM+CRF方法均取得了最高的F1值，验证了所提方法的有效性。最后根据所提方法抽取出的事件和其中的时间信息可视化地构建了用户的个人事件时间轴。
智能计算服务由服务提供者通过互联网为服务消费者提供数据的分析和处理，并建立学习模型完成智能计算功能。由于服务提供者与服务消费者之间缺乏有效的沟通渠道，以及服务消费者反馈的需求描述模糊、混乱，目前缺乏一种统一的服务需求获取方法对用户持续变化的需求进行有效的分析、组织和规约，导致智能计算服务无法根据用户的需求进行快速改进。针对服务开发中需求变更的持续性和不确定性等问题，提出了一种智能计算服务的需求获取方法。该方法首先从Stack Overflow问答论坛获取智能计算服务的应用反馈和问题，然后根据服务消费者所关注的需求类型采用不同的学习模型（包括支持向量机（SVM）、朴素贝叶斯和TextCNN）对其进行知识分类和优先级排序，最后采用自定义的服务需求模板统一描述智能计算服务的需求。
现有的产品和服务质量分析常通过问卷调查或利用商品评论，但存在问卷收集难度大、商品评论中存在无效数据等问题。客服对话作为顾客与商家之间沟通的桥梁，包含了丰富的顾客意见，覆盖了从产品到服务的多个方面，然而现在利用客服对话分析产品和服务质量的研究还较少。提出了一种基于客服对话的产品和服务质量分析方法，首先结合产品特征和服务蓝图，确定产品和服务质量的评价要素，并结合重要性?满意度分析（IPA）法定义评价要素的重要性和满意度指标；然后对客服对话进行主题提取和情感分析，定量分析产品和服务的重要性和满意度。以某消毒除菌产品淘宝旗舰店的真实客服对话为例应用了该方法，建立了18个评价要素，并基于90余万条真实的历史客服对话对评价要素的重要性和满意度进行了量化，从而分析旗舰店产品和服务的质量。最后通过对专业客服的问卷调研，验证了所提方法的有效性。
移动边缘计算（MEC）通过将资源部署在用户的近邻区域，可以减少移动设备的能耗，降低用户获取服务的时延；然而，大多数有关缓存方面的研究忽略了用户所请求服务的地域差异特性。通过研究区域所请求内容的特点和内容的动态性特性，提出一种收益最大化的缓存协作策略。首先，考虑用户偏好的区域性特征，将基站分为若干协作域，使每一个区域内的基站服务偏好相同的用户；然后，根据自回归移动平均（ARIMA）模型和内容的相似度预测每个区域的内容的流行度；最后，将缓存协作问题转化为收益最大化问题，根据存放内容所获得的收益，使用贪心算法解决移动边缘环境中缓存的内容的放置和替换问题。仿真实验表明，与基于MEC分组的协作缓存算法（GHCC）相比，所提算法在缓存命中率方面提高了28%，且平均传输时延低于GHCC。可见，所提算法可以有效提高缓存命中率，减少平均传输时延。
目前有关API学习和代码复用的研究主要集中在对于API调用频繁模式的挖掘、组件化信息的提取以及根据用户的需求和目标功能进行的个性化应用程序接口（API）推荐服务等方面。然而，作为缺少专业知识和经验技能来完成特定使用案例的软件开发初学者，在阅读官方文档之外，往往需要真实的使用案例作为参考。现有代码推荐研究大多为单片段式代码，缺少跨函数的案例选择，这不利于初学者学习构建完整的使用场景或功能模块；同时，从单个函数注释中提取的语义描述也不足以构建学习者对项目中完整功能实现方法的认识。为了解决上述问题，提出了一种基于开源社区分析的API使用案例推荐服务，并以软件开发后端框架Spring Boot为例，构建了跨函数的案例推荐辅助学习服务。随后，通过调查问卷、专家验证等方式验证了所提出的API使用案例推荐服务的可行性和有效性。
当前服务互联网（IoS）中的服务资源呈现精细化、专业化的趋势，功能单一的服务无法满足用户复杂多变的需求，服务集成调度方法已经成为服务计算领域的热点。现有的服务集成调度方法大都只考虑用户需求的满足，未考虑IoS生态系统的可持续性。针对上述问题，提出一种基于自适应多目标强化学习的服务集成方法，该方法在异步优势演员评论家（A3C）算法的框架下引入多目标优化策略，从而在满足用户需求的同时保证IoS生态系统的健康发展。所提方法可以根据遗憾值对多目标值集成权重进行动态调整，改善多目标强化学习中子目标值不平衡的现象。在真实大规模服务环境下进行了服务集成验证，实验结果表明所提方法相对于传统机器学习方法在大规模服务环境下求解速度更快；相较于权重固定的强化学习（RL），各目标的求解质量更均衡。
主流个性化推荐服务系统通常利用部署在云端的模型进行推荐，因此需要将用户交互行为等隐私数据上传到云端，这会造成隐私泄露的隐患。为了保护用户隐私，可以在客户端处理用户敏感数据，然而，客户端存在通信瓶颈和计算资源瓶颈。针对上述挑战，设计了一个基于云?端融合的个性化推荐服务系统。该系统将传统的云端推荐模型拆分成用户表征模型和排序模型，在云端预训练用户表征模型后，将其部署到客户端，排序模型则部署到云端；同时，采用小规模的循环神经网络（RNN）抽取用户交互日志中的时序信息来训练用户表征，并通过Lasso算法对用户表征进行压缩，从而在降低云端和客户端之间的通信量以及客户端的计算开销的同时防止推荐准确率的下跌。基于RecSys Challenge 2015数据集进行了实验，结果表明，所设计系统的推荐准确率和GRU4REC模型相当，而压缩后的用户表征体积仅为压缩前的34.8%，计算开销较低。
针对聚类算法研究中普遍存在不能充分利用历史信息、参数优化过程慢的问题，结合边缘智能计算提出了一种基于数据场的分布式自适应分类算法，算法部署于边缘计算（EC）节点，提供本地的智能分类服务。该算法通过引入监督信息改造传统数据场聚类模型的结构，使其能够应用于分类问题，扩展了数据场理论可应用的领域。基于数据场思想，该算法将数据的域值空间转化为数据势场空间，依据空间势值将数据分为无标签的多个类簇结果，再将类簇结果与历史监督信息进行云相似度比较，并将其归属于与其最相似的类中；同时，提出了一种基于滑动步长的参数搜索策略以提高算法参数的优化速度。在此算法基础上还提出了一种基于分布式的数据处理方案，通过云中心与边缘设备的协作，将分类任务切割分配到不同层次的节点，实现模块化、低耦合。仿真结果表明，所提算法的查准率和查全率均保持在96%以上，且汉明损失均低于0.022。实验结果表明，所提算法可以准确分类并提高参数优化速度，整体性能优于逻辑回归（LR）算法与随机森林（RF）算法。
微服务调用链路数据是微服务应用系统日常运行中产生的一类重要数据，它以链路形式记录了微服务应用中一次用户请求对应的一系列服务调用信息。由于系统的分布性，微服务调用链路数据产生在不同的微服务部署节点，当前对这些分布数据的采集一般采用全量采集和采样采集两种方法。全量采集会产生较大数据传输和数据存储等成本，而采样采集则可能会漏掉关键的链路数据。因此，提出一种基于事件驱动和流水线采样的微服务调用链路数据动态采集方法，并基于开源软件Zipkin设计实现了一个微服务调用链路数据动态采集系统。该系统首先对不同节点符合预定义事件特征的链路数据进行流水线采样，即数据采集服务端只在某节点产生事件定义的数据时对所有节点采集同一链路数据；同时，针对不同节点的数据产生速率不一致问题，采用基于时间窗口的多线程流式数据处理和数据同步技术实现不同节点的数据采集和传递；最后，针对各节点链路数据到达服务端先后顺序不一的问题，通过时序对齐方式进行全链路数据的同步和汇总。在公开的微服务调用链路数据集上的实验结果表明，相较于全量采集和采样采集方法，所提方法对于包含异常、慢响应等特定事件的链路数据具有采集准确性高、效率好的效果。
