近年来,随着互联网技术的飞速发展,网络上的数据、信息正以前所未有的速度增长,人们正面临“信息过载”的问题。推荐系统的出现可以帮助人们方便快捷的从众多信息中筛选出他们感兴趣的资源。数字图书馆通过网络为用户提供便捷的信息资源服务。通过将推荐系统应用于数字图书馆领域,可以在图书数字化存储和检索的基础上,实现基于用户的个性化推荐,提高用户的知识发现能力,为用户的知识更新和检索提供快捷准确的服务。在推荐系统领域,协同过滤是目前应用最为广泛的推荐技术之一。约束概率矩阵分解算法便是一种基于模型的协同过滤算法,它能有效的面对推荐系统中遇到的海量数据问题,保证推荐的实时性。本文在约束概率矩阵分解算法模型的基础上引入项目近邻关系,通过结合从项目简介中提取的固有特征和用户评定的标签特征两方面信息来确定项目的最近邻居集合,并将该邻居集合融合到基于约束的概率矩阵分解模型中产生推荐。实验结果表明该方法可以提高原有算法推荐的准确度。针对数字图书馆中常用的图书检索功能,本文综合考虑检索结果匹配度和用户对于检索到的结果可能的偏爱程度两方面信息,从而达到了基于检索的个性化推荐效果。最后,结合前文提出的算法模型和基于图书检索的个性化推荐方案分析数字图书馆系统推荐模块的功能。