主流个性化推荐服务系统通常使用部署在云端的模型进行推荐，需要将用户交互行为等隐私数据上传到云端，这将导致隐私泄露的隐患。为了保护用户隐私，可以在客户端上处理用户敏感数据。然而，客户端上存在通信瓶颈和计算资源瓶颈。针对上述挑战，设计了一个基于云端集成的个性化推荐服务系统。该系统将传统的云推荐模型分为用户表示模型和排名模型。在云中预先训练用户表示模型后，它将其部署到客户端，并将排名模型部署到云中。采用小规模循环神经网络，用户表示采用Lasso算法进行压缩，以减少云与客户端之间的通信量和客户端的计算开销。基于RecSys　Challenge2015数据集的实验表明，该系统的推荐精度与GRU4REC模型相当，压缩后的用户表示量是压缩前的34.8%，计算开销小。