随着“大数据”时代的到来,互联网上积累了非常庞大的数据。现今在很多互联网服务中,从海量候选商品中精确地推荐用户感兴趣的商品作为一个至关重要的任务引起了专家学者的广泛关注。这种背景下涌现出大量的推荐算法,其中基于隐因子矩阵分解的协同过滤是一类热门方法。但随着数据量以惊人的速度持续增长,传统协同过滤的方法推荐时间代价过于高昂。为了克服可扩展性的问题,基于哈希学习的思想,离散形式隐因子学习的推荐方法被提出。该类方法可以用次线性时间复杂度完成Top-K商品推荐,从而极大地提高了推荐效率,但是也存在着以下这些局限性:(1)现有基于离散隐因子学习的推荐方法在学习用户和商品的离散隐空间表示时仅考虑用户-商品之间的跨模态关联信息,即用户对商品的评分矩阵,忽略了用户-用户/商品-商品的模态内相似度信息。(2)现有基于离散隐因子学习的推荐方法面临着推荐系统著名的冷启动问题和长尾问题。冷启动问题是指由于缺少相应的评分数据,推荐系统无法对新用户/新商品进行准确推荐。长尾问题是指推荐系统倾向于推荐被大多数用户喜爱的流行商品,然而却忽略了一些可能会被某些用户喜欢的小众化商品。针对上述两个问题,本文的进行了如下三个工作。(1)离散流形正则化协同过滤:受流形学习启发,本文提出了离散流形正则化协同过滤方法。该方法联合考虑用户-商品跨模态关联信息和用户-用户/商品-商品模态内相似度信息,学习用户/商品在海明空间中的紧致编码。为了降低量化误差,该方法采用离散循环坐标下降的算法直接对离散形式的目标函数进行优化。实验结果表明:在推荐性能上,本文提出的离散流形正则化协同过滤方法优于现有基于离散隐因子学习的推荐方法;在冷启动推荐方面,该方法能够基于用户/商品属性更充分得学习到用户对商品的偏好信息,将知识从旧的用户/商品转移到新的用户/商品中,从而可以有效地改善冷启动问题。(2)基于低秩稀疏分解的离散协同过滤:在上述方法的基础上,为了进一步提高推荐的多样性,本文提出一种基于低秩稀疏分解的离散协同过滤方法。该方法将用户对商品的评分矩阵分解为用户对流行商品的评分矩阵和用户对小众化商品的评分矩阵两个部分。通过分别对这两个部分施加低秩性约束和稀疏性约束,该方法学习用户、流行商品和小众化商品在海明空间中的紧致编码。类似的,该方法采用离散循环坐标下降的算法直接对离散形式的目标函数进行优化以降低量化误差。实验结果表明本文提出的基于低秩稀疏分解的离散协同过滤方法不仅优于现有基于离散隐因子学习的推荐方法,而且能够有效改善长尾问题。(3)基于孪生图卷积网络的离散协同过滤:为了更进一步挖掘用户-用户/商品-商品模态内的相似度信息,本文提出一种新颖的基于孪生图卷积网络的离散协同过滤方法。该方法将用户-用户相似度和商品-商品相似度构建为两个图,图中顶点代表用户/商品,边代表顶点之间的相似度。该方法使用图卷积网络提取用户/商品的高层特征,并学习用户/商品的离散编码。实验结果表明,相比较于现有基于离散隐因子学习的推荐方法,本文提出的基于孪生图卷积网络的离散协同过滤方法提高了推荐效果,并且具有较低的训练时间代价。