随着计算机技术的蓬勃发展,电子商务与智慧医疗等平台如雨后春笋,由此用户产生的商业与医疗数据呈现爆发式增长,使得利用人工进行数据分析难以得到有效实施。得益于数据挖掘的快速发展,利用机器学习等主流算法对这些用户数据进行挖掘与分析得到研究者的广泛青睐,然而从单一模态来表征数据难以客观全面。针对上述问题,本文提出了一种多模态超图分类算法用于情感分类与胃癌患者的术后预测问题。在情感分类中该模型从特征提取的角度出发,一方面计算文本的词频-逆向文档频率作为文本模态特征,另一方面利用情感词典、语法规则等计算文本的情感分值作为情感模态特征。然后使用这两种模态特征构建多模态超图,并在亚马逊多领域商品评论数据集进行实验,结果显示出多模态超图分类算法的有效性和稳定性。然而某些词语在不同语境下表现出的不同情感极性会对情感分类的结果造成影响,因此本文设计了基于主题的多模态超图混合模型,在使用多模态超图进行分类之前引入LDA(Latent Dirichlet Allocation)主题模型按照文本的主题分布对数据做聚类,然后在多个语境相近的子集下分别构建多模态超图,减缓一词多义对情感分类产生的消极影响。实验结果显示在引入主题模型对文本进行聚类后,分类精度进一步提升的同时也降低了算法的运行时间。最后将多模态超图分类算法应用于胃癌患者术后预测问题中。根据病理诊断的特点,有针对性的提取并计算出多模态特征,进而构建适用于胃癌术后预测的多模态超图,实验结果展示了本模型相较于其他分类算法的优势,同时验证了其在处理多分类问题上的应用价值。