【摘要】针对科研信息服务平台资源快速增长导致的信息过载问题，以及传统个性化推荐依赖敏感属性／ 深度画像带来的隐私合规与用户信任风险，本文提出一种面向隐私保护的轻量级个性化推荐方法。 该方法在数据最小化与去标识化约束下，仅使用公开物料特征、匿名交互日志与聚合统计信号，构建“内容相似—物品共现—趋势热度”三路候选召回机制，并采用可解释的规则融合评分进行重排；同时引入类目覆盖约束与冗余抑制策略，以降低推荐列表同质化，并提供推荐解释与策略开关以便部署与治理。 基于ＭＩＮＤ⁃ｓｍａｌｌ 开发集的离线评估结果表明，与以 Ｃｏｎｔｅｎｔ 为代表的基线模型相比，本文精度版模型在平均倒数排名（ＭＲＲ）、归一化折损累计增益前 ５ 位（ｎＤＣＧ＠ ５）、归一化折损累计增益前 １０ 位（ｎＤＣＧ＠ １０）指标上实现稳定提升；治理版模型在保持相关性总体稳定的同时，显著提升类目覆盖，验证了该方法在隐私友好前提下的有效性与可控性。隐私保护；轻量级推荐；去标识化；个性化推荐；可解释推荐