数字图书馆作为知识和信息的重要载体，受到世界各国的关注。随着数字图书馆中资源规模的不断扩大，如何快速获取用户需要的资源成为一大难题，而个性化推荐是解决这一问题的重要方法。数字图书馆的用户行为构成流式数据，处理流式数据时算法必须具备高性能和实时性，此时传统的协同过滤推荐算法已无法胜任。本文主要研究个性化推荐技术，并提出一种基于矩阵分解的分布式在线推荐算法。该算法能够实时处理流式数据，及时为用户推荐感兴趣的书籍。　　本文主要工作如下:　　第一、设计并构建日志收集系统，用于收集CADAL阅读平台中多种服务所产生的流式数据，集中化处理系统日志，并为推荐系统提供数据来源。　　第二、利用Storm分布式实时计算系统和数据分块技术，实现一个分布式随机梯度下降算法用于在线推荐系统。实验显示，该算法在保证推荐效果的前提下，能够显著提高数据处理能力，提升计算性能。　　第三、通过计算物品相似度并利用用户历史阅读记录确定候选推荐集，并根据矩阵分解模块的训练结果对候选推荐集进行排序得到最终推荐列表，为用户进行在线推荐。