随着移动互联的发展、电商的兴起、用户规模和商品规模的扩大,用户想要找到自己感兴趣的物品已经越来越耗费时间。如何帮助用户快速找到自己想要的物品或是潜在的兴趣物品已经成为了学界和工业界的研究热点。目前,个性化推荐算法在推荐方面已经取得了一定的成果,并且已在电商、影视、音乐等领域得到了广泛的应用,但在高校图书馆领域,这一技术还鲜有应用。不同于其它的领域用户数目较多,高校图书馆用户数目很少,按照高校的公开信息,大多数高校每年在校生大约有一到两万,但高校图书馆藏书却有数百万册,常借阅书籍也有十数万册,这就造成了高校图书馆数据的稀疏性。针对高校图书馆的场景,本文提出了适合高校图书馆中书目推荐的两种算法:即基于图结构的推荐算法和改进的协同过滤算法。本文主要研究内容和成果总结如下:1.本文对图书馆领域书目的推荐算法研究中所面临的问题做了分析。并对推荐算法做了综述,详细的介绍了现在常用的推荐算法,对比了各种推荐算法的优缺点。2.针对数据稀疏性的问题,本文提出了基于图结构的个性化推荐。它是用图的方式将数据表现出来,用边表示用户间的相似性。这种方法可以较为有效的避免数据的稀疏性。本文结合贵州财经大学图书馆数据为一位用户进行了实例推荐。3.基于图结构的推荐虽然可以较为有效的避免数据的稀疏性,但也会存在一些问题,比如说它可能会减少候选推荐集合中的项目。为了避免这些问题,本文提出了改进的协同过滤推荐算法,将用户对书籍的隐式评分转换成了用户对书籍类别的显式评分。一方面,这种方法可以有效降低数据的稀疏性,并且不会减少候选集合的项目,并且能更加有效的反映用户的兴趣,另一方面,这种方法也增加了用户间相似度的有效性。