在当今信息泛滥的时代，个性化营销的出现极大方便了人们的生活，改变了人们的习惯。以用户为中心的个性化产品越来越多，个性化资讯、个性化音乐、个性化电子书、个性化产品、个性化推荐技术也随之成为了当前的研究热点，同时随着手机特别是智能手机的迅猛发展，智能手机的阅读数量呈现级数增长，用户迫切需要一种能够根据自身特点组织和调整信息的服务模式，个性化服务应运而生，那么个性化服务显得越来越重要，本文研究了手机阅读个性化系统及主要的推荐技术，通过对XX公司手机阅读个性化产品中个性化推荐方法的研究，提出根据用户的消费行为和协同过滤算法对手机阅读个性化进行研究。　　本文首先对XX公司目前个性推荐系统Slope One进行深入剖析，提出存在的问题：分析用户偏好的数据源是用户的浏览日志，不能有效的把高价值用户挖掘出来，而且在线处理大量数据，效率较低，没有考虑用户价值的差异，推荐方式比较单一。　　针对存在的问题，本文对个性化推荐方法中的协同过滤算法进行了详细分析，首先对主流的个性化推荐技术进行综述，其次提出在用户行为模式下手机阅读个性化推荐的方法，引入用户关系管理领域的RFM模型和数据挖掘领域的聚类技术，提出新的推荐模型。根据用户的行为把用户分成浏览用户和消费用户，设计基于RFM模型的K-均值聚类处理方法，通过用户的历史消费记录分析用户的消费偏好，把用户的浏览和消费行为转化成对书籍的兴趣评价上，在用户-书籍评分数据库的基础上，通过RFM和协同过滤策略将各种推荐算法有层次的融合在一起，达到更好的推荐效果。　　首先离线挖掘用户消费行为和频繁访问的路径，建立用户-书籍矩阵。其次对有消费行为的用户利用K－均值聚类完成用户细分，建立用户群行为模型库；最后利用协同过滤推荐算法，进行有差异化的个性化推荐，将个性化服务和用户关系管理有机的结合在一起，尽可能提高用户的忠诚度和达到推荐更好效果，而对未消费用户采用加权的slope one算法，以便能更精确的反映用户的兴趣点。　　本文最后进行了总结，并对未来的工作做了展望。