随着互联网、生物科技和医药化学等领域的蓬勃发展,每天都能获得海量的各种数据。在很多实际的研究问题中,如推荐系统、图像视频等,这些数据可以用矩阵的方式进行描述。可是在多数情况下,只能得到不完整或者被污染了的数据。如何在海量的数据中,补充不完整数据或者恢复被污染的数据并推荐出用户需求的信息至关重要,矩阵补全技术为解决上述问题提供了方法。另外,数据的采集越来越呈现出多源异构特性,在越来越多的实际问题中存在着大量对应着多组数据源的样本,即多视图数据。针对上述问题,本文提出了一种全新的多视图归纳矩阵补全算法MVIMC。MVIMC将多视图表示与归纳矩阵补全技术相结合,加入了样本多个视图的特征以及标记的特征空间,解决了以前的矩阵补全算法在数据维度高,矩阵稀疏以及类不平衡情况下的问题。然后,我们在GPCR蛋白质生物学功能预测数据集上验证了我们算法的性能。对于GPCRs蛋白质信息,我们利用了三联氨基酸信息、氨基酸关联信息、进化信息、GPCR文本信息,二级结构关联信息、物化属性、无序残基信息、信号肽信息以及结构域文本信息。实验结果证明,不同视图的贡献从高到低的排序分别为:GPCR文本信息、氨基酸关联信息、进化信息、二级结构关联信息、物化属性、结构域文本信息、无序残基信息;而且我们的算法优于目前多种矩阵补全方法,也优于国际上多种CAFA蛋白质功能预测方法。