随着大数据时代的到来,在生物信息领域,越来越多数据有待挖掘。然而,目前的生物数据大部分是经过生物医学实验得出的,显然,其花费的成本以及耗费的精力是巨大的。最近几年,随着人工智能的普及发展,越来越多的科研人员将智能算法应用在生物大数据挖掘和分析的方向。其中,长非编码RNA是一种最近才被重视的生物大分子,其可以调控蛋白质以及微小RNA,从而对疾病产生影响。运用智能算法来研究长非编码RNA与其他分子的关系预测是当前的研究热点。在本文中,我们提出了基于矩阵分解的改进算法。该算法主要在隐语义模型的基础上,将矩阵分解后的隐因子向量用逻辑函数表示成概率值,该值表明了对应的用户和项目的关系得分。通过带逻辑函数的隐语义模型能够对推荐的结果有更好的解释,同时也有利于计算和表示,但是该方法并没有利用到协同过滤,对于用户和项目各自之间的相邻关系没有考虑。因此,我们引入了图正则化的思想将用户和项目的相似性融入到目标函数,相似性越强则对应的隐因子向量越接近。加入图正则化的逻辑矩阵分解可以实现协同过滤,但是实际中往往相似性越高的用户会对同一项目产生偏好,因此我们又根据K近邻的思想保留样本间的最强相似性,提高其在协同过滤中的影响,从而提高预测精确度。最后,我们将改进的矩阵分解算法应用在了生物信息学领域,分别是长非编码RNA-蛋白质相互作用预测和长非编码RNA-微小RNA相互作用预测。我们将长非编码RNA-蛋白质以及长非编码RNA-微小RNA近似为用户-项目模型,其中交互信息可以等价为用户对项目的评分,而长非编码RNA,蛋白质和微小RNA的序列相似性则用作协同过滤信息加入到模型中。在留一交叉验证实验中,两个模型分别取得了0.9025和0.9319的AUC值。进一步地我们又分别基于不同测试集对两个实验做案例分析验证模型的有效性。所有结果表明,虽然增加了邻接正则化会降低计算效率,但是改进的算法在预测准确性上优于其他算法,显示了算法改进后的良好的预测能力和可扩展性。