数字图书馆(Digital Library)正日益受到世界众多国家的高度关注,近几年取得了迅猛发展,已经成为人们获取知识与信息的重要手段之一。个性化推荐是数字图书馆的重要增值服务之一,本论文针对数字图书馆中如何利用用户的访问日志,挖掘用户偏好,并进行协同过滤推荐进行了深入研究,实现数字图书馆系统帮助读者在海量数字资源中发现更多对读者有益的知识与信息。传统的数字图书馆服务建立在用户的显式需求之上,通过检索词将用户的信息需求与特定数字资源相关联,这是一种被动的信息检索服务,仅仅满足用户的基本需求,不能针对用户的阅读兴趣与阅读目标提供有针对性的个性化服务。本文的主要工作如下:一、利用CADAL(高等学校中英文图书数字化国际合作计划,China-America Digital Academicals Library)数字图书馆门户网站丰富的用户日志信息,挖掘用户对不同数字资源的偏好程度,以此,提出了建立用户的偏好列表,通过偏好列表进行用户关联、相似度计算和协同过滤的个性化推荐算法;二、利用GPU的高并行特性,设计了在GPU通用编程环境下的基于偏好列表的协同过滤算法;三、对基于偏好列表的协同过滤算法进行了相关的性能评测,包括参数的选择和具体性能分析;四、完成了该算法的实现,并集成到现有的CADAL数字图书馆门户个性化模块中,达到了较理想的推荐效果。