认知社交选择旨在揭示给予投票的隐藏地面真理，这被解释为关于它的嘈杂信号。我们考虑在这里考虑一个简单的环境，其中投票由批准选票组成：每个选民批准一套他们认为可能是实际事实的替代方案。根据直观的想法，更可靠的投票包含较少的替代品，我们定义了几种噪声模型，该模型是批准的Mallows模型的投票变体。然后，可能最大化的替代方案被称为加权批准规则的获胜者，其中投票权重量与其基数减少。我们在三个图像注释数据集中进行了实验;他们得出基于我们的噪声模型优于标准批准投票的规则;最佳性能是通过髁孔噪声模型的变型获得的。

近年来，数据科学已经显着发展。数据分析和采矿过程成为可用数据集的所有行业的常规。已收集，策划，存储和用于提取知识的大量数据存储库。这变得司空见惯。随后，我们直接从数据或通过给定域中的专家提取大量知识。现在的挑战是如何利用以前因高效决策过程而闻名的所有这些知识。直到最近，通过多年的研究获得的许多知识都存储在静态知识库或本体中，而从数据挖掘研究中获得的更多样化和动态知识并没有集中和始终如一地管理。在这项研究中，我们提出了一个称为基于本体的知识图的新型模型，以代表和存储农作物耕作中数据挖掘的结果（知识），以建立，维护和丰富知识发现过程。提出的模型包括六个主要集合：概念，属性，关系，转换，实例和状态。该模型是动态的，可以随时促进知识的访问，更新和开发。本文还提出了用于处理这种基于知识模型的体系结构。系统体系结构包括知识建模，提取，评估，发布和开发。该系统已被实施并用于农业管理和监测。事实证明，它非常有效，并且有望扩展到其他领域。