随着移动互联网的普及,移动端的基本功能已经无法满足用户更多的需求,越来越多的用户开始转为深度移动互联网用户,并由此催生了一大批移动阅读和新闻资讯的产品。其中,在线教育资讯文章是一类垂直阅读领域,目前该领域内的用户数量已突破一亿。同时,对于资讯文章服务提供者来说,如何让用户在大量的资讯文章中看到符合自身兴趣的部分是一个严峻的挑战。本文主要针对在线教育资讯的个性化阅读推荐系统进行了深入研究。本文首先通过无痕埋点技术在iOS平台搭建用户阅读行为数据收集模块,然后通过TF-IDF算法提取文章关键词和LSA隐语义分析文章数据,并结合用户的阅读行为数据,通过朴素贝叶斯算法训练用户的兴趣模型来进行基于文章内容的推荐。但是此推荐技术的效果并不是非常理想,而且存在专门化的问题。因此,本文又混合了基于矩阵分解的协同过滤推荐技术和基于物品流行度的推荐技术来搭建本文的整个推荐引擎,以应对各种复杂的场景,其结果相比于单类推荐算法有显著提高。本文还提出了一个完整的个性化阅读服务系统的设计方案,并详细阐述了其中各个模块的设计实现,这其中包括客户端业务模块、爬虫和文章录入模块、后台服务器模块、和推荐引擎模块。最终通过对该系统进行在线测试,证明了算法的推荐效果,并且提高了该APP的用户活跃性。