尽管对推荐系统的研究已经超过了十年，却很少有相关研究为匿名用户推荐。数字图书馆环境中的大部分用户都是匿名用户，而且这种匿名访问方式在图书馆界仍会长期存在。如何为这类匿名用户提供个性化推荐，是数字图书馆的一个难点，也是图书馆提高个性化服务质量的一个制约因素。 在数字图书馆匿名访问情况下，如何区分用户身份与兴趣成为“面向匿名用户的个性化推荐系统”需要解决的关键问题。为此，本文提出了“匿名类别标识一相关文档”矩阵模型；通过结合基于内容和基于协同过滤的两种推荐技术，本文给出了一种有效的组合推荐技术，进而设计并实现了一个匿名推荐原型系统。 本文的主要贡献如下： 1．提出了匿名用户模型一“匿名类别标识一相关文档”矩阵模型。匿名推荐包括两个核心问题：匿名用户身份的标识，匿名用户兴趣的判断。通过“项目-兴趣-用户”的映射关系，用匿名用户的类别标识来识别匿名用户，找到了区分匿名用户身份和兴趣的解决办法，并且能够动态跟踪匿名用户的兴趣。 2．首次阐述了重复推荐问题并给出解决策略。由于系统无法确定匿名用户已经访问过哪些项目，推荐算法需要对每一个项目都进行预测，就会带来重复推荐问题-向用户推荐他已经访问过的项目。本文提出了一些启发式规则，能够较好解决重复推荐问题。 3．改善了匿名推荐系统的实时性和可伸缩性。本文提出的算法包括两个步骤，第一步采用离线计算的方式，使得第二步在线计算时只需要进行查表操作，从而能大大提高系统的推荐速度。推荐实时计算需要的项目数量远远小于项目总数，使得系统具有很高的可伸缩性。 4．一定程度上解决了过滤算法的稀疏问题、冷启动问题。在数据稀疏的情况下，即使当前用户没有访问过任何项目，利用本文提出算法第一步基于内容的过滤结果，也可以直接向用户产生合理的推荐。 5．实验表明，本文所实现的原型系统能动态跟踪匿名用户的兴趣，并能提供较高质量的个性化推荐。实验结果验证了提出模型和方案的可行性。