目前,各种各样的网上书籍推荐系统已经投入使用,用来帮助用户快速方便地选择所需要的书籍。然而个性化程度不高是网上书籍推荐系统普遍存在的问题,随着网上购书的方式越来越被用户认同,各个网上书店提供的服务对用户的差异也越来越小,个性化推荐技术在提高网上书店竞争优势上有广阔的应用前景。网上书籍推荐系统大量的研究,主要集中在信息获取方式和推荐技术上。在信息获取方式上,如何将各种评分信息有效地结合来较为完整地反映用户需求,是一个备受关注的问题。在推荐技术研究中,确定合适的推荐算法是一个关键问题。目前许多网上书店都在使用协同过滤技术。如何定义用户相似性以及选取参考用户群是协同过滤算法研究的重点,其中的难点是解决数据稀疏性和算法可扩展性问题。针对以上问题,本文主要从以下几个方面进行了研究：1、研究了基于内容过滤和协同过滤推荐技术在个性化书籍推荐系统中的应用方法,探讨了将两种技术有效组合应用于本系统的方法。引入资源属性相似性和聚类方法,对基于内容的过滤技术进行了研究；着重研究了协同过滤中结合用户显性评分、隐性评分及预测评分的方法,以及如何生成最近邻居的方法。2、采用将用户显性评分、隐性评分和预测评分相结合的综合兴趣评分方法,来解决用户兴趣评分的单一性和稀疏性问题,以形成更加准确完整的用户兴趣评分。在用户隐性评分上,本文结合点击次数和浏览时间两个因素来判断用户兴趣。在用户预测评分上利用属性向量的相似性度量结果,根据每个用户的已评分书类和候选书类的相似性对用户-书类评价矩阵中的未评分项进行填充。3、对个性化书籍推荐系统进行了分析与设计。通过一个个性化书籍推荐系统原型来实现,并且通过具体的应用实例来阐述推荐模块的实现过程。最后对建立的系统原型进行了实验,实验结果表明本个性化书籍推荐系统能响应用户的需求,起到一定的推荐效果。