随着信息技术的快速发展和人们对数字化知识及资源需求的不断增长,传统的搜索技术在海量数据面前已经遇到信息爆炸的瓶颈,通过基于关键词技术的搜索技术已经不能满足人们对知识的需求,在这种情况下,个性化推荐系统成为新的研究热点。个性化推荐技术从电子商务领域发展起步,已经有了成熟的互联网产品,是电子商务站点吸引新用户、保持老用户的重要技术,然而,在数字图书馆领域,个性化推荐技术还没有引起学者们的重视,读者面对千万级别的书籍文献数据,关键词搜索仍是主流的手段。本文即是在这种背景下,在电子商务领域经典的个性化推荐算法技术上做了改进,将个性化推荐技术引入到数字图书馆领域,并设计实现了书籍文献个性化推荐系统。主要工作如下:　　 1.对基于内容的推荐算法进行改进,引入文献新奇度、文献-用户新奇度概念,避免项目冷启动问题和推荐疲劳;引入潜语义话题分析工具,在多粒度层级上进行推荐,避免长尾效应引起的热点推荐恶性循环;　　 2.对基于用户的协同过滤算法进行改进,引入用户强特征、弱特征的概念,加强算法对长尾数据的挖掘能力;在相似用户之间的推荐中加入领域专家与推荐方向性的概念,提高推荐精准度;考虑用户兴趣模型随时间的变迁;　　 3.考虑用户对组合推荐器推荐结果的不同需求,在推荐结果排序方面加入个性化概念;　　 最终实验表明,经本文改进后的个性化推荐算法在多个用户行为数据环境下有效提高了经典算法的效果,可以有效为用户推荐其感兴趣的结果。