随着网络服务的迅速发展,推荐系统在帮助人们高效利用各种信息方面扮演着越来越重要的角色。协同过滤推荐是构建和实现推荐系统的重要技术手段之一,其主要根据用户对物品的历史评分记录完成个性化推荐。但是,与之前相比,如今网络服务中用户和物品数量与日俱增,进而导致效率问题日趋成为阻碍推荐系统进一步发展的技术瓶颈。目前,常见的方法就是在协同过滤推荐中利用哈希算法将用户和物品的特征表示转换为二值编码,据此就可以在海明空间进行快速高效的推荐。然而,现有的一些协同过滤哈希学习算法由于对连续向量空间的数据几何建模过于简化且采用“两阶段”学习模式,这种处理方式通常会产生很大的编码损失,使得此类方法不得不采用较长的编码位数弥补损失,而长编码又会造成额外的开销,这与先前采用哈希算法寻求便捷高效的推荐动机背道而驰。有鉴于此,本文针对如何在协同过滤推荐中学习高质量的二值编码展开了深入的分析和讨论,具体内容如下:(1)针对由于对原空间数据建模过于简化所导致的较大编码损失,本文提出了一个二值协同过滤集成算法,该算法通过在海明空间的矩阵分解模型的基础上加入了基于用户和物品的锚点近似平滑约束项,使原始连续向量空间数据的近邻结构能被更好地存储在海明空间的二值编码中。针对两阶段方法的弊端,本文提出了一个类离散优化方法,将量化阶段集成在优化过程中,尽可能地避免了优化过程中的编码损失。(2)针对仅使用历史评分数据的局限性,为了在二值编码中存储更多原空间中重要的信息,本文利用自动编码器对评分信息及边信息进行联合特征表示学习,用其辅助后续二值编码学习。(3)针对用户和物品特征表示的独特性,本文在二值协同过滤集成框架中融入了个体特征的平滑约束项,使得所学二值表示能够在保持结构特性的基础上不失自身的独特性。针对类离散优化的局限性,本文进一步提出了离散优化的解决方案,使得所提算法能够直接学习更短的二值编码,从根本上避免优化损失。通过在三个公开数据集上进行实验,证明了所提出的多种二值协同过滤集成方法较之于现有的协同过滤哈希算法能够得到质量更高的二值编码,与此同时还能进行更为高效、准确的个性化推荐。