当今社会,互联网的快速普及,个人智能设备不断发展,随之而来的是人们收集和存储数据能力的大幅提升。科学研究和社会生活的各个领域在不断产生并积累着大量的数据。针对大规模数据的分析、挖掘和管理已经成为机器学习和应用数学领域的一个重要课题。通常而言,人们用矩阵的形式表述机器学习问题,但是在实际应用中往往要面对千万级别的数据量,以现有大部分机器学习方法二次方的空间和时间复杂度,这将是个棘手的难题。因此,矩阵的近似问题已经成为机器学习领域的热门话题。本文主要讨论大规模矩阵乘法的近似算法及应用。现有大部分近似矩阵乘法的工作都是基于随机选择或者随机投影。在本文中,我们提出了一种新的确定性算法(FD-AMM)来近似计算两个矩阵的乘积。更重要的是,该算法可以在流模式下运行。我们的算法基于最近提出的矩阵草图计算方法(FrequentDirections,FD),在相同的空间复杂度之下带来更高的准确度。此外,我们的算法还可以用来计算流模式下两个矩阵的典型相关分析(CCA),比传统的计算方法节省更多的空间。实验证明了我们的算法是有效的。