随着信息技术的发展,大数据逐渐成为促进各行业发展的资源和动力。高维不完备数据是大数据的一种重要形式,在推荐系统、Web服务选择等领域十分常见。虽然高维不完备数据非常稀疏,但是其中蕴含了关于实体间关系的丰富知识,具有很高的研究价值。隐特征分析模型由于其良好的数据表征能力和卓越的计算效率,在高维不完备大数据分析中得到广泛的应用。然而,目前存在的隐特征分析模型都只使用单一的度量方式,如使用内积或距离来表示实体间关系。由于不同度量空间具有不同的特性,基于单一度量方式的隐特征模型对高维不完备大数据的表征存在不足,从而导致预测精度上的损失。针对该问题,本文研究了内积空间和距离空间两种不同度量方式下的隐特征分析模型,对比了不同度量方式对表征结果的影响,用这两种度量方式再结合不同的范数度量来构造损失函数,提出了两种兼具不同度量空间和范数优点的集成模型,实现了对高维不完备大数据更好的表征。本文的主要研究内容如下:（1）以隐特征模型为基础,在内积空间和距离空间上实现了两种不同的双范数隐特征模型,并以此为基模型,设计了一个权重自适应的集成隐特征模型。双范数隐特征模型使用结合了L1和L2范数的损失函数,兼具了L1和L2范数的优点,可以达到更好的鲁棒性和稳定性。该集成模型采用了权重自适应的集成方法,该方法根据每一轮中基模型的训练误差计算集成权重,使得误差大的基模型的权重变小,误差小的基模型的权重变大,可以达到更好的集成效果。（2）以初始的隐特征分析模型为蓝本,本文通过组合两种度量空间（内积空间、距离空间）和三种范数（L1、L2和Smooth L1）得到六种不同度量方式的隐特征模型,在此基础上设计了一个以这六种不同的隐特征模型为基模型的集成模型,仍然采用和前一个模型相同的权重自适应策略。（3）在推荐系统、蛋白质网络、Web服务选择等不同领域的真实数据集上的实验表明,本文提出的两个集成模型可以在不完备大数据上达到更好的表征效果,与其他目前最先进的模型相比有更高的预测精度和计算效率。