在互联网时代,互联网技术以及电子商务的高速发展生成了海量信息,对于用户来说,从海量的信息中找到感兴趣的信息正变得越来越难,推荐系统应运而生,它将用户和信息联系了起来,推荐系统为用户找到感兴趣的项目(服务),且可能为用户找到喜欢的新事物。然而,传统推荐系统的协同过滤算法依赖于用户或项目的相似度计算,随着系统中的数据量的极速增加,这种线性的相似度计算方法表现出了局限性。本文提出了一种两阶段联合哈希的协同过滤算法,通过在保留用户对项目的偏好的情况下,将用户和项目映射到低维空间,使得推荐的过程转化为在低维空间搜索与目标用户具有较小海明距离的项目,省去了用户或项目之间的相似度计算,仿真实验表明,本算法具有较高效的推荐性能。本文的主要工作有:第一,提出了在评分数据的其中一个视角(用户或项目)来对该视角进行哈希的方法,在用户或项目视角应用主成分分析技术,得到该视角的低维特征表示,再对其应用迭代量化技术进而生成该视角的二值码,从而实现了对评分数据全局特征的提取。同时,也为进一步生成另一视角的二值码奠定了基础。第二,基于上一过程中得到的其中一个视角的二值码,用已有的评分信息约束用户与项目在海明空间的距离,生成另一视角的二值码,进而实现对评分数据局部特征的提取,也为下一步利用训练生成的用户和项目的二值码进行高效的推荐做好了准备。第三,在两阶段联合哈希的基础上,利用二值码的特性和相似性检索的方法,通过以上两个过程的哈希编码工作,有效的减少了推荐过程中的计算消耗和存储消耗,最终提出并实现了一种基于两阶段联合哈希的协同过滤推荐算法。通过在MovieLens-1M数据集上的仿真实验结果表明,本文提出的算法能有效提高推荐质量和推荐的效率。