近年来,网络文学蓬勃发展、实体图书出版流程简化以及各国文学的迅速传播为读者提供了丰富的阅读素材。如何在短时间内准确高效地为读者提供满意的推荐,使现有图书资源得到充分利用,是当前在线读书平台和高校图书馆亟待解决的问题。协同过滤是现今应用最为广泛的推荐方法,它的基本原理是,有相似行为的用户一般具有相似的兴趣和偏好,利用用户的行为记录预测其可能喜欢的物品。然而,读者的历史行为数据具有数据稀疏、分布不平衡的特点,而传统协同过滤受限于数据稀疏和冷启动,导致准确度低下,用户对推送的结果不甚满意。为了提高图书推荐的准确度,本文采用对于此类数据具有良好适应性的概率矩阵分解模型,通过学习低维的近似矩阵进行推荐,能够有效地处理海量数据。本文的主要工作包括:(1)在概率矩阵分解模型的基础上,构建融合读者间关系的个性化图书推荐模型。由于单纯通过读者-图书评分矩阵计算两读者相似度,不能充分利用读者间潜在关系,存在信息缺失,相似度矩阵过分稀疏,最终导致推荐准确率低下。本文通过对读者的图书类型偏好进行量化,构建融合图书类型偏好的读者相似度,利用改进的相似度刻画读者间的综合关联,并融入概率矩阵分解模型中,构建融合图书类型偏好的个性化图书推荐模型;(2)不仅考虑到读者间关系,还要将图书间的关系嵌入概率矩阵分解模型中,本文提出用热门图书惩罚因子、读者活跃度惩罚因子以及归一化对传统的图书相似度进行修正,获得改进的图书相似度,更准确地筛选相似邻居,提高预测的准确性;(3)通过Python语言实现本文提出的模型,并与传统的协同过滤推荐算法、概率矩阵分解算法作对比实验,通过分析对比准确率与召回率以及平均绝对误差指标,评估推荐模型的整体推荐性能。实验证明,本文提出的基于概率矩阵分解模型的混合协同过滤推荐模型,相比传统协同过滤明显地提高了整体推荐性能,并且具有良好的解释性。