1、推薦系統(tǒng)已經(jīng)成為大數(shù)據(jù)時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。互聯(lián)網(wǎng)爆炸式的信息量以及用戶和物品數(shù)量的快速增長使推薦系統(tǒng)面臨著諸多挑戰(zhàn)，可擴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，他們會在推薦算法的建模階段使用全部的

2、用戶評分?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基于近鄰的協(xié)同過濾算法的可擴展性。本文從輸入源數(shù)據(jù)集的角度出發(fā)，提出觀點:并不是所有的用戶行為數(shù)據(jù)都對最終的預(yù)測模型作出了同樣的貢獻(xiàn)，尤其是對那些擁有大量行為的活躍用戶而言。本文認(rèn)為，對于活躍用戶，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用戶作出準(zhǔn)確的建模，在更短的時間內(nèi)得到一個好的推薦結(jié)果。
　　基于上述觀點，本文首先通過一系列的實驗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，提出了基于評分選取的推薦算法。特別地，本文的所有實驗均同時考慮了評分預(yù)測和TopN推薦任務(wù)。隨后，本文提出了一個綜合考慮用戶和電影兩方面因素的通用評分選取框架，并且提出了基于劃分的3種評分選取策略和基于統(tǒng)計學(xué)與信息論的5種評分選取策略，來為每一個用戶選取其最具代表性的評分。最后，本文在MovieLens和Netflix數(shù)據(jù)集上做了大量的實驗，實驗結(jié)果表明僅使用活躍用戶的部分代表性行為可以在