推荐系统的目标就是根据用户过去的行为和偏好，对用户未来的行为或偏好做出预测和推荐。因此，大量的用户行为数据的存在成为了推荐系统使用的前提条件。对于像阿里巴巴、京东商城这样的大型电子商务网站来说，他们已经累积了海量的用户数据，但对于一些小型的、更专注于推荐任务的网站，他们则希望在开始阶段就能够对用户进行个性化推荐，如何在缺乏大量的用户数据的情况下对用户行为或偏好做出精确的预测成为了推荐系统的一大难题。本文将该问题引申为新用户问题。随着研究不断地深入，针对新用户问题的研究方法越来越多，但这些方法也存在着一定的局限性，例如，因子分解模型虽然可以解决新老用户之间的信息不对称问题，但是当数据维度数比较高时，该方法难以挖掘用户上下文之间的深层次关系。而使用纯神经网络方法可以挖掘上下文之间的深层次关系，但其自身存在着训练成本高、效率低下等问题。
　　基于此，本文通过将因子分解模型和神经网络模型进行集成，提出一种可伸缩的、高效的上下文感知推荐器(Scalable and efficient Context-aware Recommender)。其中，可伸缩的部分的功能就是利用原有自编码神经网络对用户上下文之间的深层次关系进行学习，并在此基础上改进了原有的内核平滑策略。有效地部分即在原有因子分解模型的基础上加入了基于关联的约束机制和投影策略，在保证推荐系统的高效性的条件下解决了新老用户之间信息不对称的问题。本文将这两部分引申为SCE(Scalable Context Encoder)和SCR(Scalable Context-aware Recommender)，并使用AUC、Recall、NDCG作为衡量SCE和SCR的评测指标。实验结果表明，与目前最先进的方法比较，SCR系列在Yelp数据集中能获得稳定且相对较好的性能。