推荐系统作为解决信息过载的重要工具,一直在不断发展,并且被广泛应用到各个领域中。然而由于信息量日益增加,使得推荐速度逐渐变慢,很难满足现在信息时代对速度的要求,因而,推荐系统的发展陷入瓶颈。哈希推荐作为一种支持快速检索的技术成为解决这个问题的有效方案,并且该技术正在得到逐步发展和完善。当前提出的哈希推荐主要包括两种,一种是基于二阶量化的哈希推荐,一种是基于学习的哈希推荐。这两种方式都存在缺陷,前者需要划分两个步骤,每一个步骤都做近似计算,损失大量信息,使得推荐的结果不够准确,后者设计的推荐模型与实际推荐场景中的目标不一致,从而导致预测结果与实际目标相差甚远。基于此,本文深入研究离散推荐模型,并提出基于Gumbel-Softmax的离散化协同过滤模型(GDCF)框架。该模型框架采用基于学习的哈希推荐方法,避免由于两阶段学习带来的损失,进而根据具体的推荐问题,设计出相应的目标函数来匹配目标,这样可以使推荐结果和目标结果相一致。本文在协同过滤的基础上将神经网络融合进来做二进制推荐算法的研究。本文主要的贡献如下:1.为了解决神经网络中无法做离散值的梯度更新问题,提出利用Gumbel-Softmax采样来构建推荐系统框架(GDCF)。该框架支持在汉明空间中学习用户与目标项目之间的交互关系,得到相应的二进制表示,进一步为了解决离散优化问题,利用Gumbel分布采样来拟合伯努利分布,从而放松约束条件,同时利用Softmax来解决梯度更新问题,最终实现为用户推荐感兴趣的目标。2.在GDCF的基础上结合神经网络研究推荐模型,分别提出GDCF-N和GDCF-G两个模型。GDCF-N模型将GDCF与神经网络协同过滤(NCF)相结合,构建基于学习的混合哈希推荐方法。GDCF-G模型将GDCF与生成对抗网络(GAN)相结合,构建基于生成对抗网络的哈希推荐方法。在经典的公开数据集上设计对比实验,将GDCF-N模型和GDCF-G两个模型与经典的哈希算法进行比较,实验表明,模型可以提供更优质的推荐服务。