Los sistemas de recomendación son uno de los campos de los sistemas de filtrado de información que han atraído un gran interés de investigación durante las últimas décadas y se han utilizado en una amplia variedad de aplicaciones, desde tiendas electrónicas comerciales hasta redes sociales y sitios de reseñas de productos. Dado que la aplicabilidad de estas aplicaciones está en constante aumento, el tamaño de los gráficos que representan a sus usuarios y apoyan su funcionalidad también aumenta. En los últimos años, se han propuesto diferentes enfoques para abordar el problema de escalabilidad de los algoritmos de sistemas de recomendación, especialmente del grupo de algoritmos de Filtrado Colaborativo (CF). Este artículo estudia el problema de la paralelización de los algoritmos CF bajo el prisma de la escasez de gráficos y propone soluciones que pueden mejorar el rendimiento de predicción de las implementaciones paralelas sin afectar fuertemente su eficiencia temporal. Evaluamos el enfoque propuesto en una red bipartita de calificación de productos utilizando una implementación en Apache Spark.