近年来,药物靶点作用预测是一个非常热门的研究课题,可以用于发现新药物以及现有药物的新靶点。大多数药物靶点作用预测方法都是采用一个二分类的方法,已知存在关系的药物靶点对作为正样本,反之作为负样本,然而由于药物靶点数据中存在大量的未知标签的样本,简单地将未知标签的样本当成负样本的做法将会降低模型的准确性。本文中假设所有未知关系的药物靶点对的标签都是非随机缺失的。因为研究人员会优先研究那些他们认为更可能是正样本的药物靶点对,而不会去研究那些他们认为可能是负样本的药物靶点对,导致这些负样本的标签更容易缺失。本文根据非随机缺失数据理论,提出了一种称为FNML(Factorization with Non-random Missing Labels)的概率模型用于药物靶点对作用预测。本文的模型对药物靶点对的标签以及标签的响应值的生成过程进行建模。同时,为了减小模型的方差以及提升模型的预测准确率以适应高度不平衡的药物靶点对数据,本文进一步提出了一种集成方法FNML-EN。FNML-EN使用了一个特有的采样策略来对正样本进行采样,使得FNML-EN与传统的Boosting以及Bagging集成方法有所不同。本文在最新的药物靶点数据集上对FNML模型进行验证。实验表明,本文的模型效果明显好于其它的药物靶点预测方法。同时,对于不同的特征,本文的模型都能稳定地提升效果。本文提出的集成方法在原始模型的基础上,还能显著地提升模型效果。最后本文还将FNML用于推荐系统上并且取得了不错的效果,表现出了模型良好的适应能力。