针对跨空间数据相似度学习问题提出的跨空间相似度学习(CSAL) 算法表现出了良好的性能, 并已成功地应用于各类推荐系统中. 但构建一个完善的推荐系统, 其待处理的数据量常呈现大样本特征, 而CSAL 算法并不具备大样本快速处理能力. 针对此不足, 提出了跨空间相似度学习-最小包含球(CSAL-MEB) 方法和跨空间相似度学习-核向量机(CSAL-CVM) 快速方法. CSAL-CVM 方法既具有渐近线性时间复杂度和空间复杂度的优点, 同时又继承了CSAL 的良好性能. 相关实验亦验证了所提出方法的有效性.