个性化内容获取(Personalized Content Retrieval简称PCR)是一种流行的信息服务,它消耗了大量的移动互联网流量。联合内容推荐与分发是一种前沿的设计理念,可以有效地提高PCR服务的用户体验。现有关于联合内容推荐与分发的研究主要集中在基于推送机制的主动缓存系统。然而,这类系统具有高设备成本和低能量效率等固有缺陷。为了克服主动缓存系统的缺点,本文提出了一种基于PULL机制的联合内容推荐与分发系统。与传统基于PULL机制的协议相比,我们的协议联合考虑了物理层约束(如即时信道条件)和应用层语义(如用户对内容的兴趣度)来优化系统的整体性能。通过这种跨层设计,我们的协议不仅可以为用户提供更好的内容获取体验,还可以在避免网络拥塞的前提下优化用户体验,实现PCR服务与其它网络服务的良好共存。本文的主要贡献包括两个部分。第一,我们在简化系统模型中研究了我们提出的方案的性能。该简化模型假定了同步的用户行为、一致的时延约束和相同的服务质量(QoS)要求。基于简化模型,我们提出了联合内容推荐与分发的最优算法和启发式算法,建立了系统性能的分析框架,并从仿真上比较了各类算法的性能。第二,我们对上述的简化模型进行了扩展,考虑更符合实际场景的异构用户行为和多元QoS需求。我们基于扩展模型提出了三种多项式复杂度的启发式算法,并且展示了表征系统性能折中关系的数值结果。仿真结果表明本论文所提出的联合内容推荐与分发系统能够在变化的通信场景中对PCR服务的用户QoE进行有效的优化。我们的研究表明,通过把用户兴趣语义作为系统设计的新的自由度,我们提出的联合内容推荐与分发系统为优化PCR服务的用户QoE提供了一种新颖且有效的方法,它代表了一种具有广阔应用前景的设计范例。