随着计算机技术和网络技术的不断发展,当代人生活、工作、学习的点点滴滴都有互联网的“身影”,面对海量的用户信息,推荐系统在商业、社交、视频等众多领域得到了广泛的发展。对于高校图书馆而言,面对馆藏书籍数量的不断增加,如何从海量的图书中快速有效地获取到所需的图书,如何使高校图书资源得到充分的利用,这些都为个性化的图书推荐系统产生了需求,因此学者们提出了多种个性化图书推荐模型。但在实际应用中,由于大部分读者在图书馆并没有产生借阅数据,因此推荐系统很难对其进行准确的个性化的图书推荐。针对这类没有在图书馆进行借阅的新用户,如何为其进行个性化的图书推荐,如何提高高校图书馆的图书资源利用率是本文研究的主要内容。大部分的图书推荐系统是基于用户已有的借阅行为数据,通过模型算法为用户生成图书推荐列表,为了解决新用户没有借阅行为数据的问题,本文提出基于用户选课数据的图书推荐模型,使用协同过滤算法的思想为新用户进行图书推荐,并且设计了一种基于用户借阅时长的评分函数,同时按照索书号对图书进行聚类处理,对算法进行了改进,实现了对新用户的个性化图书推荐。论文研究内容包括:(1)深入研究了目前高校图书馆个性化服务发展现状,确定了图书推荐系统的目标用户为未在图书馆借阅过图书的新用户,之后针对图书推荐系统的应用场景,对图书推荐系统模型进行了需求分析并确定模型的设计原则。(2)通过研究推荐系统的原理和经典算法,根据面向新用户的图书推荐模型的需求和设计原则,对推荐系统模型进行了可行性分析,然后在基于用户的协同过滤算法推荐思想基础上构建了面向新用户的图书推荐模型。(3)根据面向新用户的图书推荐模型的工作原理和流程,进行数据的采集和预处理,之后进行了实验验证,并比较分析了模型中不同参数对推荐结果的影响。(4)为了提升模型的推荐效果,在之前模型基础上加入了借阅时长函数评价用户对于借阅图书的喜好程度,同时为降低用户-借阅图书矩阵的稀疏将图书按照《中图法》进行类型聚类,构建了新的面向新用户的图书推荐系统模型,并进行了实验验证和效果分析。(5)根据模型的推荐结果,对于面向新用户的图书推荐系统模型在高校图书馆中的应用给出了自己的建议。