问一个关于推荐系统的问题

我现在在尝试实现使用基于用户的协同过滤算法（ user-based collaborative filtering ）来进行推荐。 输入是一些用户对一些物品的评分（一个形如 userId,itemId,rating 的 csv ），输出是为每位用户列出 N 个推荐的物品

具体的过程是，先预测每位用户对“所有他没有评分过的物品”的评分，然后找出评分最高的 N 个物品作为推荐

至于预测某个用户对某个物品的评分，我看的是这篇论文（Empirical analysis of predictive algorithms for collaborative filtering）中的算法（据说是非常经典的论文）

但现在的问题是：由于每个用户只给很小一部分物品评过分，所以“预测每位用户对‘所有他没有评分过的物品’的评分”计算量非常大。即使只用训练样本中的一小部分（ 10000 行数据，包含大约 100 个用户、3000 个物品），对每位用户也都要计算很久（每位用户约 1 分钟，环境是 python+i7 笔记本）

所以就想问一下这个算法应该如何改进？

初学这些知识，请多指教，谢谢！