随着信息技术(特别是互联网技术)的发展,人们在享受信息获取便利的同时也面临着越来越严重的信息过载问题。在此背景下,个性化推荐系统作为解决信息过载的有效技术手段由此产生,并已成为人们生活中不可或缺的一部分。协同过滤是构建推荐系统的核心技术之一,近年来受到学术界和工业界的高度重视,但其性能严重受制于数据稀疏问题。鉴于此,文本提出了一种面向评分预测任务的主动式半监督协同过滤模型。该模型同时使用标记样本和未标记样本学习用户偏好,以此缓解数据稀缺性问题。该模型在协同训练框架下使用两种基于邻域的协同过滤算法构建基础推荐器,每个推荐器独立对未标记样本进行预测,并将其预测置信度较高的样本填入对方训练集用于模型下一次迭代训练;重复该过程,两个推荐器通过样本交换彼此可以互相促进,不断朝着性能优化的方向发展。迭代过程中,基础推荐器采用主动学习思想优先选择对模型预测性能具有积极作用的未标记样本用于标记,以期加速模型收敛。同时,本文还设计了置信度预估策略,用以保障被填充到训练集中的伪标记样本不会衰减模型性能。除此之外,我们设计了两种方法来对模型进行效率优化,分别是增量式相似度计算方法和邻域范围优选方法,其中前者是从原有相似度计算公式中将变化部分从整体计算中分离出来,后者是缩小近邻搜索范围,这两种方法从不同的角度缩减了模型的时间开销。通过三个数据集上实验验证结果表明,利用未标记数据可有效缓解协同过滤推荐方法所面临的数据稀疏问题,所提出模型以少量的额外计算开销为代价取得了比其他同类方法更好的推荐性能。