近年来,基于正样本和未标记样本的归纳式矩阵补全(简称PU归纳式矩阵补全)作为相似人群拓展等推荐应用的有效建模方法,受到学术界和工业界的广泛关注。然而,真实应用中的相似人群拓展所涉及的用户规模可达10亿级别,用户特征的数目也常达到亿的级别,这给PU归纳式矩阵补全的模型实现带来了极大的挑战,其中一项代表性挑战是存储方面的挑战。如何在工业界的真实环境下设计出存储高效的模型和算法,是摆在研究者面前的重要问题。模型压缩是实现存储高效算法的常用思路,要求在保证模型精度不下降太多的前提下,对模型的参数进行压缩。已有的模型压缩方法都是基于非归纳式矩阵补全,对于PU归纳式矩阵补全,目前还没有相关的模型压缩方法。本文在国际上首次研究PU归纳式矩阵补全的模型压缩问题,提出了基于二值优化的PU归纳式矩阵补全BinaryIMC、基于多比特量化的PU归纳式矩阵补全MBIMC以及基于特征哈希的PU归纳式矩阵补全HashIMC三种解决方法。这三种方法将从不同的路线出发去提高模型的存储效率,具体说来:一、BinaryIMC方法通过将原实值优化问题转换为二值优化问题,最终得到二值的PU归纳式矩阵补全模型,以略微降低模型精度的代价,大幅降低了模型的存储开销。二、MBIMC方法通过将训练完成后的参数进行合理量化,以压缩参数的存储空间,在不明显降低模型精度的前提下能达到降低模型存储开销的目的。MBIMC方法相较于BinaryIMC方法压缩比率较小,但模型精度得到大大提高。三、HashIMC方法对模型的原始特征空间进行降维,特别适用于拥有高维稀疏特征的应用场景,在真实的相似人群拓展数据集上相比前两种方法整体上取得了更好的结果。