【摘要】针对在每个标签类上直接学习分类模型计算代价高和树层次中低层结点训练数据扭曲的问题,提出了一种基于树层次的蛋白质功能预测算法:核依赖估计–压缩排序选择算法(KDE–CSSA)。该算法先将标签向量投影到标签核的主成分上,仅仅学习少量的回归模型,然后将预测的数值向量投影回原来标签向量空间,利用压缩排序和选择算法获取满足树属性的0,1标签向量。在12个基因组数据集上使用精确率和召回率作为评测标准的实验结果表明,KDE–CSSA算法性能优于目前优秀的CLUS–HMC算法。