随着信息产业的高速发展,人们对算力的需求远远超过以往任何一个时代．为了实现更强大的数据处理能力,各种具有潜在颠覆性影响的计算理论和计算模型获得了越来越多的关注．量子计算作为其中最炙手可热的研究方向之一，在过去的几十年间,相关的理论和实验研究成果都取得了长足的进展．量子计算是一门由数学、计算机科学和量子物理学相结合的交叉学科,通过利用量子状态的相干性、纠缠特性、不可克隆性等量子力学基本原理,量子计算在实现某些计算任务时表现出了超越经典计算的计算能力,譬如较经典算法呈指数量级加速的解决整数素因数分解问题的Shor算法、较经典算法有平方量级加速的解决无序数据库搜索问题的Grover算法和解决线性方程组求解问题的HHL算法等．

量子优化是量子计算领域近年来颇受关注的一个研究分支，主要研究如何利用量子计算加速优化问题的求解.根据优化问题的变量是否连续分类梳理量子优化算法，侧重介绍连续变量优化算法.通过对现存工作的调研梳理得到一些观察：1)5~20年前的研究主要集中在离散变量的量子优化技术，近5年的研究则更关注连续变量的量子优化技术；2)量子优化使用的主要基础技术都是10~20年前提出的，在基础技术方面需要进一步革新；3)量子优化算法相比于对应的经典算法通常在理论上有加速优势，既有体现在时间复杂度的加速，也有体现在查询复杂度的加速，但仍然有待更为严格的理论分析；4)优化领域依然存在许多值得量子计算研究人员探索的问题，特别是非凸优化领域，亦即经典计算上认为较难的优化问题.

子空间学习是机器学习领域的重要研究方向.为了降低子空间学习的复杂度，Cai等人提出了谱回归降维框架，并针对结合标签构造对应图的子空间学习提出了高效谱回归.近年来，量子计算的发展使进一步降低子空间学习算法的复杂度成为了可能.Meng等人率先提出了量子谱回归算法(MYXZ算法).MYXZ算法用了稀疏哈密顿量模拟技术来处理由权重矩阵生成的矩阵，但这个矩阵在较多的情况下是稠密矩阵.针对这种情况，指出了MYXZ算法的局限性，提出了一个改进的量子谱回归算法.改进算法采用了量子奇异值估计技术，在处理稠密矩阵时相对MYXZ算法有多项式加速.另外，提出了一个新的量子算法，对经典的高效谱回归进行加速.新算法能处理的这类问题是MYXZ算法无法处理的.新算法利用了量子岭回归和量子矩阵向量乘技术，在相同的参数条件下相对经典算法具有多项式加速效果.

由于与环境的相互作用及对量子设备的控制中存在的偏差，量子设备总是在不断产生错误.若不对这些错误加以处理，错误的积累会使得量子算法的实施变得毫无意义.成熟量子计算机的实现依赖于量子纠错技术以纠正量子设备中的错误.然而，由于量子纠错开销巨大，其难以在近期量子设备中实现.故在有噪声中等尺寸量子时代，以变分量子求解器为代表的量子算法选择量子错误缓解技术来压制错误，而非纠正它们.量子错误缓解允许仅通过中等大小的额外资源获得可以接受的计算精读，并已在理论及实验上展示出其可行性.旨在介绍与总结量子错误缓解领域的最新进展，并展望该技术未来发展的前景与方向.

量子程序在量子计算机上执行时可能由于噪声产生错误.先前的量子程序映射策略将量子程序映射至量子计算机中的最健壮的区域上，以获得更高的保真度.在量子计算机上同时映射多个量子程序可以提升量子计算机的通量和资源利用率.但由于健壮资源稀缺、资源分配冲突，并发量子程序映射会导致整体可靠性下降.介绍了量子程序映射，对相关研究进行分类，并深入分析了其特点与区别.此外，针对并发量子程序映射问题提出了一种新的映射策略，包括3个关键设计：1)提出了社区发现辅助量子位划分算法.结合拓扑结构和错误率数据为并发量子程序进行物理量子位划分，提升初始映射可靠性，避免健壮资源的浪费.2)引入了跨程序SWAP操作，降低了并发量子程序的映射开销.3)提出了一种量子程序映射任务的调度框架，用于动态选取并发量子程序，在保证量子计算机保真度的前提下，提升了通量.所提策略较先前工作在程序执行保真度上提升了8.6%，节省了11.6%的映射开销.所设计的系统是一个面向量子计算机的操作系统原型——QuOS.

量子计算有望加速解决经典计算难以解决的问题，如质因子分解、量子化学模拟等.已有单个量子系统可集成大于50个含噪声的固态量子比特，并在特定的计算任务上超越了经典计算机，标志含噪中尺度量子(noisy intermediate-scale quantum, NISQ)计算时代的到来.随着人们可在单个系统中集成越来越多的量子比特，如何将量子比特与控制硬件、软件开发环境、经典计算资源集成得到完整可用的量子计算系统，是一个有待进一步明确的问题.对比了量子计算与经典计算在控制及执行上的异同，并在此基础上提出了面向NISQ时代的量子-经典异构系统.以一个典型的NISQ算法(迭代相位估计算法)为例，介绍了量子算法从软件描述到硬件执行的整体流程，及与该过程相关的高级程序设计语言、编译器、量子软硬件接口和硬件等.在此基础上，讨论了流程中各个层次在NISQ时代面临的挑战.旨在从工程实现的视角，从宏观层面为读者(尤其是量子计算初学者)介绍量子计算系统，希望可以促进人们对NISQ时代下量子计算系统整体结构的理解，并激发更多相关研究.

量子游走是量子计算的重要模型，而多硬币量子游走模型由于在量子通讯协议中表现突出也越来越受到人们的关注.量子相干不仅可以刻画量子态的特点,也可以反映量子演化过程的性质.主要对一维圆上两硬币量子游走模型的量子相干性进行了分析.一方面,讨论了初始量子态和硬币算子的选取对量子相干的影响.当硬币算子为Hadamard算子且初态只要在位置子空间上是均衡叠加态,整个量子游走演化过程是具有周期性的,且量子相干仅依赖于步数和圆上顶点的个数；当初始态是均衡叠加态而对硬币算子没有任何限制时,量子相干的演化也极具规律性.另一方面,发现在利用量子游走实现完美状态转移(perfect state transfer)的过程中,硬币算子的选取直接影响量子相干的值.最后,探讨了2种量子游走模型之间的等价性,并基于此指出了其在量子隐形传输(quantum teleportation)中的应用和改进的可能性.

von Neumann互信息是Shannon互信息在量子信息中的推广，在量子信道容量中有非常好的应用.由于量子态的非对易性，许多经典信息论中的量化在量子信息中有完全不等价的推广定义.量子假设检验相对熵来自于假设检验问题，是量子信息处理中常用的基本量化之一.使用量子假设检验相对熵讨论量子互信息. 首先讨论量子假设检验相对熵的一些基本性质，并给出该量化和其他量子广义熵之间的关系. 然后结合相对熵的性质，给出量子假设检验互信息的定义，并讨论其性质，比如：数据处理不等式.通过互信息与条件熵之和重点讨论互信息的链式法则.

基于文档的对话是目前对话领域一个新兴的热点任务.与以往的任务不同，其需要将对话信息和文档信息综合进行考虑.然而，先前的工作着重考虑二者之间的关系，却忽略了对话信息中的句子对回复生成的作用具有差异性.针对这一问题，提出了一种新的辩证看待对话历史的方法，在编码阶段讨论利用历史和忽略历史2种情况进行语义信息的建模，并采用辩证整合的方式进行分支信息的汇总.由此避免了在历史信息与当前对话不相关时，其作为噪声被引入进而损害模型性能，同时也强化了当前对话对信息筛选的指导作用.实验结果表明，该模型与现有基线模型相比，能够生成更为符合当前语境且信息量更加丰富的回复，从而说明其能够更好地理解对话信息并进行知识筛选.并且通过进行消融实验，也验证了各模块在建模过程中的有效性.

数据库自然语言接口(natural language interface to database, NLIDB)能够凭借自然语言描述实现数据库查询操作，是促进用户无障碍地与数据库交互的重要工具.因为NLIDB具有较高的应用价值，近年来一直受到学术与商业领域的关注.目前成熟的NLIDB系统大部分基于经典自然语言处理方法，即通过指定的规则实现自然语言查询到结构化查询的转化.但是基于规则的方法仍然存在拓展性不强的缺陷.深度学习方法具有分布式表示和深层次抽象表示等优势，能深入挖掘自然语言中潜在的语义特征.因此近年来在NLIDB中，引入深度学习技术成为了热门的研究方向.针对基于深度学习的NLIDB研究进展进行总结：首先以解码方法为依据，将现有成果归纳为4种类型分别进行分析；然后汇总了7种模型中常用的辅助方法；最后根据目前尚待解决的问题，提出未来仍需关注的研究方向.

图像描述生成结合了计算机视觉和自然语言处理2个研究领域，不仅要求完备的图像语义理解，还要求复杂的自然语言表达，是进一步研究符合人类感知的视觉智能的关键任务.对图像描述生成的研究进展做了回顾.首先，归纳分析了当前基于深度学习的图像描述生成方法涉及的5个关键技术，包括整体架构、学习策略、特征映射、语言模型和注意机制.然后，按照发展进程将现有的图像描述生成方法分为四大类，即基于模板的方法、基于检索的方法、基于编码器-解码器架构的方法和基于复合架构的方法，并阐述了各类方法的基本概念、代表性方法和研究现状，重点讨论了基于编码器-解码器架构的各种方法及其创新思路，如多模态空间、视觉空间、语义空间、注意机制、模型优化等.接着，从实验的角度给出图像描述生成的常用数据集和评估措施，并在2个基准数据集上比较了一些典型方法的性能.最后，以提升图像描述的准确性、完整性、新颖性、多样性为依据，展示了图像描述生成的未来发展趋势.

互联网时代,数据呈爆炸式增长,前所未有的数据量远远超过受众的接收和处理能力,因此,从海量复杂数据中有效获取关键性有用信息成为必须解决的问题.面对信息过载问题,人们迫切需要一种高效的信息过滤系统,“推荐系统”应运而生.在现实的推荐场景中,用户给予项目的评分或者选择项目的频次是一个典型的长尾现象.事实上,长尾现象的深入分析,不仅有助于挖掘用户的个性化偏好,更有助于电商场景中相关利益主体的业绩提升.因此,长尾推荐研究日益受到重视.针对长尾推荐的可解释性问题,提出了基于3因素概率图模型的长尾推荐方法.面对长尾推荐过程中推荐系统、用户对“具有可解释性的长尾项目推荐”的现实需求,着眼于概率图模型在因果关系方面的可解释性优势,立足于“新颖性+准确性”综合考量的方法设计目标,建立了基于用户活跃度、项目非流行度和用户-项目偏好水平的3因素概率图推荐方法.实验比较结果表明,具有可解释性优势的3因素概率图推荐方法在保证一定预测精度的前提下具有更好的新颖性推荐效果.

图卷积神经网络是一种针对图结构数据的深度学习模型，由于具有强大的特征提取和表示学习能力，它也成为当前推荐系统研究的热门方法.以推荐系统中的评分预测为研究对象，通过分析指出了现有的基于图卷积神经网络的推荐模型存在2个方面的不足：图卷积层仅仅利用了1阶协同信号和未考虑用户观点的差异.为此，提出一种端到端的、基于增强图卷积神经网络的协同推荐模型.它采用一种增强的图卷积层，不仅聚合了2阶协同信号而且融合用户观点的影响，从而更合理地利用协同信号学习实体节点的嵌入表示，并通过堆叠多个图卷积层对其进行精化；最后，采用了非线性的多层感知机实现评分预测.基于5种推荐数据集上的实验结果表明：新模型的预测误差相比于几种主流的推荐模型具有明显的降低.

关于域适应算法的研究显示了对抗性学习填补源域和目标域间差异的有效性，但仍存在其局限性，即仅从2个域抽取的样本不足以保证大部分潜在空间的域不变性.注意到胶囊网络(capsule network, CapsNet)在捕获样本的表征不变性上具有较强的能力，通过结合二者得到了一种新的域适应学习算法.首先，提出了胶囊层卷积算法，并结合残差结构，使得训练更深的胶囊网络成为可能.实验表明，这种新的胶囊网络架构能够在捕获浅层特征时取得更佳的效果.其次，传统的对抗判别域适应算法使用的卷积基容易不加分辨地模糊源域与目标域的界限，进而造成判别效果的下降.因此，在VAE-GAN(variational auto-encoder, generative adversarial networks)的启发下，通过引入重建网络作为强约束，巧妙地利用了胶囊网络可调整为自编码器的特性，使得对抗判别域适应网络能够在卷积基进行迁移时，克服传统对抗判别域适应算法易发生模式崩塌的固有缺陷，保证判别器对源域与目标域内样本共性表征的敏感度.实验表明，该方法可以在不同复杂程度的域适应任务中取得较好的性能，并在关键标准数据集上取得了最先进的成果.

海量的在线面试视频数据为智能面试评价提供了重要的数据基础.随着目前全球疫情的蔓延，网络在线面试的需求程度上升，对智能面试评价工具的需求也随之上升.结构化面试中，面试官需要依据评价标准，观察面试者所做的回答，并形成面试者人格特性、沟通技能以及领导力等方面的画像评估，以此判断面试者的特质是否与应聘职位相匹配.其中人格特性评估是公司间广泛使用的一种评估方法，因为人格特性影响着人们的语言表达、人际交往等多个方面，是辅助面试官决策该面试者是否符合其应聘岗位需求的重要参考.基于此，提出了基于循环神经网络长短期记忆(long short term memory, LSTM)以及关键词-问题注意力机制的多层次(hierarchical keyword-question attention LSTM, HKQA-LSTM)细粒度面试评价方法，旨在针对面试者的不同人格特性维度进行打分，并据此得到综合面试得分.首先，通过引入关键词注意力机制有效筛选出面试对话中与人格特性密切相关的重要词句；然后，在此基础上采用了关键词-问题层次注意力机制和2阶段的模型学习机制，充分结合面试者表述文本的多尺度上下文特征，对人格特性进行准确预测；最后通过融合人格特性得到具有较高解释性的面试综合评价结果.基于真实面试场景数据的实验结果表明，该方法能有效地评价面试者的不同人格特性得分，并准确地预测面试者总体得分.

在移动边缘计算网络中，高效的计算迁移算法是移动边缘计算的重要问题之一.为了提高计算迁移算法性能，应用同类问题的相互转换性和最大化影响力模型，利用K-shell算法对边缘服务器进行等级划分，考虑边缘服务器负载过重问题，构建路径重叠(path overlap, PO)算法，引入通信质量、交互强度、列队处理能力等指标进行边缘服务器路径优化，将优化计算任务迁移路径问题转化为社会网络影响力最大化问题求解.基于K-shell影响力最大化思想，联合优化改进贪心与启发式算法，提出一种K-shell影响力最大化计算迁移(K-shell influence maximization computation offloading, Ks-IMCO)算法，求解计算迁移问题.与随机分配(random allocation, RA)算法、支持路径切换选择的(path selection with handovers, PSwH)算法在不同实验场景下对比分析，Ks-IMCO算法的能耗、延迟等明显提升，能有效提高边缘计算网络计算迁移的效率.

文本分类是自然语言处理领域的一项基础工作.文本数据的高维性和稀疏性，给文本分类带来了许多问题和挑战.朴素贝叶斯模型因其简单、高效、易理解的特点被广泛应用于文本分类任务，但其属性条件独立假设在现实的文本数据中很难满足，从而影响了它的分类性能.为了削弱朴素贝叶斯的属性条件独立假设，学者们提出了许多改进方法，主要包括结构扩展、实例选择、实例加权、特征选择、特征加权等.然而，所有这些方法都是基于独立的单词特征来构建朴素贝叶斯分类模型，在一定程度上限制了它们的分类性能.为此，尝试用特征学习的方法来改进朴素贝叶斯文本分类模型，提出了一种双层贝叶斯模型：随机森林朴素贝叶斯(random forest naive Bayes, RFNB).RFNB分为2层，第1层利用随机森林从原始的单词特征中学习单词组合的高层特征.然后将学习到的新特征输入第2层，经过一位有效编码后用于构建伯努利朴素贝叶斯模型.在大量广泛使用的文本数据集上的实验结果表明，提出的RFNB模型明显优于现有的最先进的朴素贝叶斯文本分类模型和其他经典的文本分类模型.

车辆事故预测是避免道路车辆事故发生的重要研究课题.以往的研究使用的事故数据集只包含地理情况、环境情况、交通情况等宏观因素，或者只包含车辆行为和驾驶员行为等微观因素.因为很难收集到同时包含2类因素的事故数据集，很少有研究将这2类因素结合起来，然而车辆事故往往是两者共同作用的结果.此外，在收集到的数据中没有可以用于预测的事故发生概率标签，所以目前多数的研究关注点只是在于事故是否发生而不能得到准确的概率值.然而在实际应用场景下，驾驶员需要的是不同级别的危险预警信号，而这种信号正是应该由事故概率值决定的.2019年发布的事故宏观因素数据集OSU(Ohio State University)与宏观因素数据集FARS(fatality analysis reporting system)和微观因素数据集SHRP2(strategic highway research program 2)都具有一些相同的特征，为它们的融合提供了机遇.因此,首先得到了一个同时包含宏观和微观因素的数据集，其中事故数据(正样本)融合自OSU、FARS数据集，以及与SHRP2分布相同的数据集Sim-SHRP2(simulated strategic highway research program 2)，而安全驾驶数据(负样本)则由自己驾驶汽车获得.然后，针对收集到的数据中没有概率标签的问题，还设计了一个概率级别的无监督深度学习框架来预测准确的概率值，该框架使用迭代的方式为数据集生成准确的概率标签，并使用这些概率标签来进行训练.实验结果表明，该框架可以使用所得到的数据集来灵敏而准确地预测车辆事故.

为了揭示犹豫模糊粗糙近似算子更深层次的本质特性,且更进一步研究犹豫模糊粗糙近似空间与犹豫模糊拓扑空间之间的关系,对犹豫模糊粗糙近似算子公理刻画问题的研究具有重要意义.在已有结果中,用来刻画犹豫模糊近似算子的公理集大都含有多条公理.由于近似算子公理化方法在研究粗糙集理论的数学结构中具有重要意义,寻找最小公理集成为公理化方法中的一个基本问题.针对上述问题,首次将公理集中的公理简化为一条,提出一种新的公理刻画形式.首先给出一般犹豫模糊粗糙近似算子的公理刻画,然后分别针对串行的、自反的、对称的、传递的和等价的犹豫模糊关系所生成的犹豫模糊粗糙近似算子公理化问题进行研究.最后证明了由犹豫模糊粗糙近似空间可以诱导出一个犹豫模糊拓扑空间.