随着图书资源的不断丰富与现代信息技术的飞速发展,“信息超载”的矛盾日益恶化,引起众多研究者的密切关注。目前在学界解决这种问题的常见有效途径有两条:搜索技术和个性化推荐技术。个性化推荐技术也称推荐系统,相比于搜索引擎,不依赖于用户主动键入搜索内容,不借助于用户提供明确的关键词导向,通过收集用户的历史行为习惯数据或标注信息,为用户建立兴趣模型,预测用户对某一图书是否喜欢以及喜好程度的高低,再主动给用户推荐其最有可能喜爱或者感兴趣的信息。在实践中,基于用户的协同过滤算法以其独特的优势在推荐系统中得到大量的应用,但仍存在一些关键问题亟待解决,如数据稀疏,冷启动,数据缺失,推荐准确性和多样性,推荐效率的问题等等。面对传统的基于用户的协同过滤推荐系统的不足,本文研究了传统的基于用户的协同过滤算法的相关技术,并在此基础上提出了一些改进算法。在对优化的用户-图书评分矩阵计算用户相似度时,考虑到两个用户的公共评级项目数量对评分次数对结果的影响,将两个用户共同项目相似度添加为阈值,用户评级的数量也包括在计算过程中,并且转换用户对图书的评分的次数是用户评定该属性的次数。公共评级项目的数量越大,评分次数越多,即使评分大小并不相同,也可以大致认为两个用户的兴趣偏好是接近的。本文采用BX-CSV-Dump数据集设计的实验和进行的多重交叉验证就是在得到了传统的基于用户协同过滤推荐算方法和经过改进后的基于用户的协同过滤算法在准确性方面和平均绝对误差方面的表现数据并分别用图和表格表示出来,以验证基于用户的协同过滤算算法在改进后是否可以在一定程度上提高推荐系统的准确性。