随着大数据时代的到来,图书馆中的资源越来越丰富。面对海量的图书资源,用户需要花费大量的时间和精力来获取所需的图书资源,而传统的搜索查询已无法满足用户的需求。用户对资源的需求越来越细致化、精准化,用户越来越难以快速、准确地获取其需求的资源。图书馆以用户服务为核心,用户的需求是个性化推荐的基础。为了满足用户的需求,以及做好图书馆工作,个性化推荐系统应运而生。经过专家学者的研究,个性化推荐已经非常成熟。在个性化推荐技术中,协同过滤推荐算法是一种广泛应用的算法,并且已成功应用于各个领域,连同高校图书馆中也有应用。但是,从实际使用的情况来看,大部分高校图书馆中用户并没有给出对图书的评分,用户-图书评分矩阵严重稀疏,并且无法给新用户推荐,新采购的图书也难以推荐出去。本文以基于用户的协同过滤推荐算法为基础,主要做了以下三个方面的研究:(1)协同过滤推荐算法主要依据评分信息构建用户-图书评分矩阵,以此计算相似度,得出个性化推荐列表。针对这一问题,本文根据用户的借阅时长、借阅方式等信息得出用户影响因子和图书影响因子,进而构建用户-图书评分矩阵,用来产生推荐。(2)为了实现更个性化的推荐,在根据相似度寻找相似用户时,以是否共同借阅过同一本书为准则,找到用户间的显性信任度和隐性信任度,即融合信任度,拟提高推荐准确率。(3)解决了在推荐过程中遇到的冷启动问题,对于新进入系统无任何借阅信息的新用户,利用用户的专业、年级等信息,给予新用户初始信任度;对于新购入图书馆从未被借阅的图书,结合中图分类法对图书分类,统计以往被借阅的各类图书的比重,给各类新书赋值,进而完成推荐。本文在上述所做工作的基础上,结合山东科技大学泰安校区图书馆的真实借阅数据,验证了本文提出的融合信任度的高校图书馆个性化推荐系统的有效性。实验结果表明,本论文的研究使得个性化推荐系统可以提高推荐准确率,能够实现动态的个性化推荐,对高校图书馆的建设提供了理论依据。