随着机器学习的不断发展,多任务学习成为关注的热点问题之一。在一些应用中,多个任务之间往往存在着相关性。多任务学习可以通过任务之间的相关性来挖掘信息,建立更具鲁棒性的模型。任务的相关特征使得多个任务的模型共享一个低秩结构。每个任务会具有独特特征,这些特征构成的是稀疏结构。因此基于稀疏低秩的多任务学习在实际中得到了很多的应用。本文主要研究稀疏低秩多任务学习方法,用于预测药物靶标和配体分子结合的活性值。方法的具体步骤为:首先,获取数据集;然后,处理数据集,利用Pub Chem分子指纹的方法提取特征;接着构建稀疏低秩多任务学习模型;最后进行回归预测和评价模型的性能。此外还通过改变训练样本的数量来模拟信息不充分的小样本学习。稀疏低秩多任务学习的方法在利用了多个相关任务的共同性之外,还考虑了每个任务的独特性。应用在小样本上,能够克服样本信息不充分无法构建鲁棒的模型的缺点。最后进行了特征筛选。根据权重值的大小重新对特征进行排序,利用筛选出的相关特征构建新的回归模型。这样的做法可以减少模型的难度和复杂度。本文在46个数据集上进行了回归预测和特征筛选的实验,通过两个常用的评价指标来衡量回归预测的结果。实验选取了常见的单任务学习方法和其他多任务学习方法作为对比。在9个数据集上进行了改变训练样本数量的实验。最终的实验结果表明,回归预测模型的r~2比单任务学习平均提升30%,比深度多任务学习平均提升50%,比其他多任务学习平均提升10%。特征筛选的模型在三分之二数据上取得了最佳性能。