随着大数据技术的发展,我们进入了信息社会,信息数据量以指数级的形式增长,尤其是电子文本信息。文本不仅是获取知识的重要媒介,也是科学研究的基础,文本信息在一定程度上反映了人类社会历史阶段的知识水平。但文本中存在大量暗含或非直接的信息,研究中往往容易忽视这些信息。如何在海量的数据中挖掘并恢复丢失的文本信息已显得至关重要,新兴矩阵补全技术已为解决上述问题提供了方法。但当数据规模较大、关系矩阵特别稀疏且标记数量有限时,矩阵补全技术不能很好的恢复样本与标记之间的关系,而且传统的机器学习方法往往只能利用样本空间的信息,而忽略标记空间的特征,归纳矩阵补全算法可以同时利用样本空间和标记空间的信息。本文在归纳矩阵补全技术的基础上提出了一种基于文本信息的归纳矩阵补全算法,利用文本挖掘技术提取文本信息,并加入样本与标记的特征向量,而且针对大量的文本信息提出了一种新的特征表示方法。本文的创新之处如下:(1)提出了一种文本特征表示方法:利用Word2vec工具提取特征,并结合多示例单示例化算法,实现一个样本用一个实数值特征向量描述。该方法利用文本信息解决了文本歧义性、难以结构化、特征表示不够全面等问题,而且表示的特征维度不高,避免了维度灾难。(2)提出了一种基于文本信息的归纳矩阵补全算法Word IMC,该算法将文本挖掘技术中的文本特征表示与归纳矩阵补全相结合,加入了样本与标记的特征空间,克服了传统矩阵补全中数据稀疏、类不平衡等问题。并在多个生物数据集上验证了特征表示以及Word IMC算法的优越性。