个性化技术已经涉及到生活的各个领域,高校图书馆也不例外。图书管理系统中普遍缺少用户对于图书的评分,并且图书特征项也较少,这些都给图书推荐的研究带来了一定的困难,也由于这些原因,很多推荐算法很难运用进来。目前在图书推荐领域大多采用协同过滤推荐算法,而这种推荐方式倾向于推荐当前热门的图书,一般来说推荐的准确率尚可,覆盖率较差,那些没有被借阅过的书籍永远不会被推荐。目前单一的推荐算法在改善推荐准确率以及覆盖率上取得了一定进展,但是发展缓慢,而混合推荐算法为解决此类问题提供了新思路,这也是推荐领域目前研究的热点。本文在北京邮电大学图书管理系统的数据基础上,研究图书推荐问题。首先明确了图书场景下推荐的目标,即优化推荐准确率以及覆盖率。然后根据推荐目标以及当前场景,在对现有基础推荐算法深入分析的基础上选取了隐语义模型算法以及基于内容的推荐算法,并以此为基础制定混合推荐策略。关于用户对于图书评分项缺失的问题,本文提出了一种根据用户对图书的借阅记录来模拟用户对图书评分的兴趣模型,并在模型中融入时间上下文信息来优化兴趣模型。对于图书特征项稀缺的问题,本文提出了将虚拟图书特征(图书的社会化标签)与实体图书相结合的方法来解决此问题。而引入社会化标签同时带来了标签模糊与标签冗余问题。对于标签模糊问题,本文提出了一种基于信息熵思想的模糊标签识别方法。对于标签冗余问题,本文以聚类思想为基础,将冗余标签进行聚类,从而解决标签冗余问题。最后,本文根据上述方案实现了混合推荐算法、兴趣模型以及标签处理算法,并进行了实验验证。由实验分析可知本文中所提出的混合推荐策略推荐效果较好,有较高准确率以及覆盖率,并且基于内容的推荐对于优化隐语义模型的准确率有一定作用。同时,兴趣模型也较好的模拟了用户对于图书的真实爱好程度,并且该模型在图书领域具有通用性。关于标签处理算法,模糊标签识别方法具有较好的准确度,而标签冗余问题有待进一步研究。在解决上述问题的基础上,本文开发了图书推荐系统,目前该系统已经可以在校内使用,效果良好。