随着网络服务的迅速发展,“信息过载”的问题经常出现:例如在电商平台,用户面对海量的物品列表应该如何做出选择,而企业又应该将哪些信息展示给用户,这类问题引起了专家学者的广泛关注。推荐系统应运而生,它在处理信息过载方面起着至关重要的作用,并广泛应用于各个领域,取得了巨大的经济效益和社会效益。基于矩阵分解的协同过滤根据用户与物品的历史交互挖掘潜在特征实现个性化推荐,是实现推荐的有效算法。然而,大规模的用户和物品使推荐系统面临严重的存储和检索效率的问题。哈希技术将物品和用户特征映射至统一的二值哈希码,在汉明空间中实现推荐过程,具有很高的存储和计算效率,是解决推荐效率瓶颈的一个有效方案。基于哈希的推荐方法以次线性或对数时间复杂度完成Top-K物品推荐,从而极大地提高了推荐效率,但是目前的基于哈希的推荐方法仍然存在以下局限性:（1）推荐系统中的物品冷启动问题一直是一个巨大的挑战。大多数基于哈希的推荐方法主要依赖于用户与物品的交互和单一的内容特征,而忽略了物品的多模态特征。当推荐系统没有与物品的交互历史或缺乏特定内容特征时,冷启动问题就不能得到很好的处理。（2）现有的哈希推荐方法都是基于批处理学习模式学习哈希码,一般是离线完成训练后再上线使用,不能实时更新模型,在处理大规模数据集时,内存消耗大,处理流式数据时效率低下。针对上述两个问题,本文的研究内容分为两部分:（1）为了解决推荐系统中的冷启动问题,本文提出一种面向物品冷启动推荐的离散多模态矩阵分解方法,首先,该模型提出了一种高效的一致多模态映射,利用多模态特征的互补性,将物品的多模态特征转化为统一的因子。然后,对物品的多模态特征和用户偏好同时进行离散矩阵分解,在一个共同的汉明空间中学习用户/物品的紧凑二值哈希编码。最后,为了有效地保持物品的相似性,该方法提出了一个语义结构正则化项,强制相似的物品在汉明空间中具有相似的哈希码。（2）为了解决哈希推线模型的在线学习问题,本文提出一种在线内容感知的离散矩阵分解方法,该模型设计了一个灵活的在线学习矩阵分解框架。当流式数据到达时,它可以采用一种动态更新策略来支持实时在线学习。在用户和物品各自的内容信息存在的情况下对它们进行哈希码学习,并施加平衡和去相关约束使哈希码紧凑且信息丰富,采用离散坐标下降算法逐位更新用户和物品哈希码。本文通过在三个数据集上进行实验,证明了所提出的两种基于矩阵分解的哈希推荐方法较之于现有的哈希推荐方法能有效的提升推荐结果的准确度。