近邻查找是机器学习领域的一个基础问题,在数据挖掘、计算机视觉、信息检索等领域有着广泛的应用。然而,随着实际应用中数据爆炸式增加,各行各业都积累了大量的视频、图像、文本数据。大数据时代,传统的近邻查找技术面临着数据存储量大、检索成本高以及高维数据导致的维度灾难等问题。哈希学习通过将数据从原始空间映射到低维的二进制空间,保持数据在原始空间的近邻关系不变。因此,近邻查找问题可以在二进制空间存储和计算,显著的降低了数据存储开销、提高了查找效率。本文围绕哈希学习方法及其应用研究展开,有如下工作:(1)提出了局部约束离散图哈希方法:哈希学习的目标是保持数据在原始空间的近邻关系,将数据从原始空间映射到低维二进制空间,其本质是一个带约束的离散优化问题。现有的离散图哈希方法在放松约束处理上没有考虑哈希学习保持相似性的目标。因此,提出了一种局部约束离散图哈希方法,通过引入松弛变量来放松哈希码的有效性约束(位平衡和位不相关),以保持相似性为目标最小化约束损失。为了使得算法能平稳收敛,对松弛变量也进行了相似性保持。该方法与哈希学习保持相似性的目标是一致的。(2)提出了改进的哈希学习高效推荐方法:基于哈希的推荐方法通过采用二进制码来表示用户和项目,使得用户对项目的偏好能在二进制空间中计算,进而加快推荐效率。然而,现有的哈希推荐方法存在一个问题,哈希学习关注的是相似性保持,而推荐关注于建模用户对项目的偏好。因此,提出一种改进的哈希学习高效推荐方法。采用偏置项来表示用户和项目自身的偏好特点,通过去偏置将评分映射到相似性区间,以保持相似性为目标,提出了两种方式得到用户和项目的二进制码。该方法缓解了偏好与相似性之间存在的距离问题。(3)提出了基于贝叶斯聚类的文本语义哈希方法:哈希学习作为加速文本检索的方法,其通过低维的二进制表示使得相似的文档有相似的二进制码。然而,现存的文本语义哈希方法的时间复杂度为平方级,难以适用于大规模数据。因此,提出了一种基于贝叶斯聚类的语义哈希方法。通过朴素贝叶斯模型来抽取文档的语义信息进行二类聚类,并将二类聚类推广到r维来得到文档的r位二进制码。为了保证每一次聚类的有效性,对二进制码进行位平衡和位不相关约束。该方法样本时间复杂度为线性,语义抽取能获得高质量的哈希码。