我们正身处一个信息爆炸的社会,人们逐渐从信息匮乏的时代走进了信息过载的时代。计算机和网络技术的发展使得人们对知识和信息的获取变得前所未有的便捷,数字图书馆的出现就是一个最佳例证。在过去的数十年里,数字图书馆因为其传播知识所带来的巨大社会效益而受到各国政府的重视,得到了迅速的发展。随着数字图书馆的不断建设,数字资源的不断丰富,读者在面对如此海量的数字资源的时候也显得手足无措,不知道如何寻找自己感兴趣的图书。大量的数字资源因此而未被充分利用。本文针对CADAL数字图书馆中资源具有标签这一特点,结合CADAL用户的阅读行为日志,提出了一种基于标签主题建模的图书推荐方法,提高CADAL平台中资源的利用效率。本文围绕基于标签主题建模的图书推荐系统的研发,做了以下工作：第一,提出了一种基于LDA主题建模图书推荐方法。通过利用CADAL图书资源中的标签信息,挖掘隐含主题,使用Gibbs采样方法得到每个主题-标签模型。然后根据用户的阅读行为日志获得已读图书列表,使用LDA-inference算法推算出用户在各个主题上的概率分布。最后根据用户在各个主题分布上的相似性来进行基于用户的图书推荐。第二,研究了采用多模型集成追踪用户阅读兴趣变化的方法。通过设定时间窗口,对用户的阅读行为日志进行分段,针对每个时间窗口使用前面提到的主题建模方法建立用户-主题模型。然后计算两个相邻时间窗口中生成的模型的差异程度,以检测用户的阅读兴趣是否发生概念漂移。通过保留具有代表性的用户-主题模型,并且使用多模型集成的方式,本文研究的推荐系统在迅速捕捉用户新阅读兴趣的同时不会过快的丢弃之前学习到的知识。最后,介绍了推荐系统的架构,并通过实验对算法相关参数对推荐效果的影响进行了探讨。