1、推薦系統(tǒng)已經(jīng)成為大數(shù)據(jù)時(shí)代最重要的信息過濾工具之一，它可以幫助用戶從海量數(shù)據(jù)中迅速定位有價(jià)值的信息，并以用戶可能感興趣的物品列表的方式推薦給用戶?；ヂ?lián)網(wǎng)爆炸式的信息量以及用戶和物品數(shù)量的快速增長(zhǎng)使推薦系統(tǒng)面臨著諸多挑戰(zhàn)，可擴(kuò)展性便是其中的主要挑戰(zhàn)之一。
　　協(xié)同過濾是推薦系統(tǒng)領(lǐng)域應(yīng)用最成功、最廣泛的技術(shù)。目前，很多學(xué)者為了提升協(xié)同過濾算法的可擴(kuò)展性，提出了多種基于聚類和基于并行技術(shù)的方案。通常，他們會(huì)在推薦算法的建模階段使用全部的

2、用戶評(píng)分?jǐn)?shù)據(jù)，而沒有考慮這些數(shù)據(jù)的質(zhì)量因素，而且已有的論文大都是針對(duì)基于近鄰的協(xié)同過濾算法的可擴(kuò)展性。本文從輸入源數(shù)據(jù)集的角度出發(fā)，提出觀點(diǎn):并不是所有的用戶行為數(shù)據(jù)都對(duì)最終的預(yù)測(cè)模型作出了同樣的貢獻(xiàn)，尤其是對(duì)那些擁有大量行為的活躍用戶而言。本文認(rèn)為，對(duì)于活躍用戶，部分具備代表性的行為數(shù)據(jù)已經(jīng)可以包含足夠的信息來對(duì)用戶作出準(zhǔn)確的建模，在更短的時(shí)間內(nèi)得到一個(gè)好的推薦結(jié)果。
　　基于上述觀點(diǎn)，本文首先通過一系列的實(shí)驗(yàn)探索了推薦算法建模

3、階段使用的用戶行為數(shù)量和推薦算法性能之間的關(guān)系，提出了基于評(píng)分選取的推薦算法。特別地，本文的所有實(shí)驗(yàn)均同時(shí)考慮了評(píng)分預(yù)測(cè)和TopN推薦任務(wù)。隨后，本文提出了一個(gè)綜合考慮用戶和電影兩方面因素的通用評(píng)分選取框架，并且提出了基于劃分的3種評(píng)分選取策略和基于統(tǒng)計(jì)學(xué)與信息論的5種評(píng)分選取策略，來為每一個(gè)用戶選取其最具代表性的評(píng)分。最后，本文在MovieLens和Netflix數(shù)據(jù)集上做了大量的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明僅使用活躍用戶的部分代表性行為可以在