伴随着图书馆数字化进程的迅速推进,以期刊、论文等为主的数据库资源日益丰富,具有种类多、数据量大、极速增长、高价值低密度等大数据特点。用户耗费了大量的时间和精力,也无法准确得到所需要的文献,以至于大量的文献信息资源得不到充分利用。高校科研人员作为学术研究的主力军,对海量文献的快速分析、高效查找和精准推荐等方面的需求迅速增长,个性化推荐算法为解决文献资源的个性化推荐服务提供了技术基础。本文通过梳理并总结国内外学者关于推荐算法的研究得出,主流的推荐算法主要包括基于内容的推荐与协同过滤推荐。协同过滤推荐算法在现实中有广泛的应用,比如电子商务、电影推荐等,但它最大的缺点是需要大量的用户历史评分,由于高校图书馆电子文献没有用户的评分、评价等反馈信息,所以该算法不适于本文的推荐。基于内容的过滤推荐算法在文本领域应用较广泛,考虑到电子文献的特点,本文选择基于内容的推荐算法来实现高校图书馆文献资源的推荐。但在基于内容的过滤推荐中,用向量空间模型(VSM)表示文本容易造成维度灾难,对此本研究提出了余弦值r与匹配度值Sim相结合的方法对原有模型进行改进。由文献资源和用户兴趣分别筛选出权重较大的特征词向量得到余弦值r,结合对应的特征词权重进一步计算出匹配度值Sim,将其作为向目标用户推荐文献的依据,并构建新的个性化推荐模型。针对基于内容的过滤推荐只能推荐与用户访问过的项目内容上相似的项目,用户将会被局限在特定的兴趣点而很难发展新兴趣的问题,本文通过寻找与目标用户兴趣相似的用户,进而把相似用户浏览过的文献推荐给目标用户。最后利用H大学图书馆的相关数据对以下三方面的内容进行实验:(1)改进模型的有效性;(2)改进模型与向量空间模型及LDA主题模型相比是否更优化;(3)用户兴趣相似度的计算,并利用查准率、召回率、综合评价指标F1值及运行时间等评价指标对三种模型的实验结果进行分析。上述研究及实验结果表明,本文所提出改进方法构建的个性化推荐模型在一定条件下具有很高的应用价值,为实现高校图书馆文献资源的个性化推荐提供了重要的借鉴意义。