随着信息技术和互联网的的发展,人们逐渐从信息匮乏的时代走入了信息过载的时代。为了解决信息过载问题,出现了推荐系统,推荐系统能在海量的物品空间中将用户可能感兴趣的物品推荐给用户。推荐系统已经被成功应用在许多不同的领域,但在高校图书馆上推荐系统地应用却还不多见,绝大多数的图书馆并没有提供图书推荐这个功能,从而无法从读者的历史借阅记录中分析出读者的兴趣爱好,不能为读者提供个性化的服务。本论文拟研究推荐技术在图书推荐系统中的应用,让图书馆能够为读者提供更好的服务。本文研究的推荐技术包括个性化推荐技术和非个性化推荐技术。个性化推荐技术能针对不同读者的借阅历史,向不同读者推荐其可能感兴趣的书籍。协同过滤推荐算法是个性化推荐技术中应用最广泛的算法,所以本论文的个性化推荐技术也是基于协同过滤推荐算法的。但协同过滤算法在实现个性化推荐技术上存在着新用户和新图书冷启动问题。因此,本论文还将研究非个性化推荐技术在图书推荐系统中的应用,目的是为了处理协同过滤算法中的冷启动问题。非个性化推荐技术可以通过专家推荐、新书推荐等为用户推荐出高质量的书籍,同时也把协同过滤算法中的新用户和新图书冷启动问题解决了。在协同过滤算法中,选取的参数不同(相似度函数的选择,邻居的数目,推荐的书籍数目),会对推荐的效果产生不同的影响。本论文还将研究不同参数的选择对推荐效果的影响,以便选择适合的参数,取得最优的推荐效果。最后,协同过滤算法分为基于用户和基于物品两种不同的算法。本论文还将研究这两种不同的推荐算法对推荐效果的影响。