随着网络信息技术的飞速发展，web信息正呈现井喷式增长，人们面对如此海量纷繁的信息开始感到无措甚至选择困难。为了节省用户检索信息过程中的搜索成本，降低客户流失的风险，提升服务体验，越来越多的企业和商家提供了个性化推荐服务来解决信息过载所带来的问题。个性化推荐系统突出的商业价值，引起了学术界的关注，大量研究集中在算法改进上，旨在为用户不断提供更为精确的推荐、符合其兴趣和口味的产品及内容。然而在如此注重用户体验的网络时代，仅仅提高算法的精度是远远不够的。因而以用户为中心的推荐系统研究显得很有必要。　　偏好获取作为推荐系统输入模块的核心，直接影响系统能否获得大量真实可信的用户喜好数据尤其是显式偏好，这对最终的推荐体验而言是至关重要的。而在推荐系统显式偏好获取过程中，由于形式和数量的差异，常常会造成用户努力水平的不同，不仅影响算法精度同时也影响用户主观感知，最终决定推荐系统用户体验的好坏。一方面，当用户以较高努力水平提供偏好信息时，系统可以获得该用户较为详细的喜好信息，从而可以进行精准推荐；另一方面，用户在提供偏好信息时投入的努力水平越高，会增加用户的负担和烦恼，导致认知负荷增加。然而现有的研究未能将这两方面结合起来全面探讨推荐系统偏好获取对用户体验的影响，也缺乏对不同产品类型影响机制差异的深入剖析。　　基于上述内容，本文先是借鉴经典决策系统中的“努力—精度”理论模型，总结前人研究，构建了推荐系统“用户努力—用户体验”研究假设模型。全面考虑推荐系统偏好获取过程中用户努力、认知负荷、推荐精度和用户体验的关系。在验证了有效问卷的信效度之后，采用结构方程在不同偏好获取形式和数量下对研究模型进行验证，发现：推荐系统偏好获取过程中，用户努力通过认知负荷和推荐精度间接影响用户体验，且不同努力水平情景下存在影响差异。　　接着，本文针对偏好获取数量设计了2（产品类型：高卷入度搜寻品VS低卷入度体验品）*2（努力水平：高VS低）的实验，进一步探讨偏好获取过程中用户努力与用户体验的深层影响机制。利用Python3.5、Pycharm 2017集成环境和EasyGui图形界面开发在线推荐系统，模拟真实的推荐环境获取用户体验数据。根据产品卷入度高低和产品属性的差异，着重探讨高卷入度搜寻品（手机）和低卷入度体验品（电影）之间用户努力与用户体验的差异。通过单因素检验实验设置的有效性，双因素方差分析比较各实验组在认知负荷、推荐精度和用户努力各指标上的差异，最后利用层次回归分析验证了产品类型在认知负荷、推荐精度与用户体验之间的调节作用。研究发现，偏好获取过程中努力水平越高，会导致用户的认知负荷增加尤其是高卷入度搜寻品（手机），但是用户却无法灵敏的感知到由此带来的精度提升变化，从而整个推荐效果用户体验相对较差。但是，由于高卷入度搜寻品（手机）相较低卷入度体验品（电影）而言，用户对精度的需求较高会更关注精度变化，因而高用户努力水平下，推荐系统用户体验下降幅度相对较小。