随着科学技术的快速发展,高校图书馆的藏书量越来越大,为了能够帮助读者快速找到其可能喜欢的图书,需要通过个性化推荐系统来实现,根据如读者的历史操作记录等多方面信息挖掘读者的喜好,从而产生推荐图书列表。针对高校图书馆场景提出一种基于关联图谱的图书个性化推荐方法。面对目前图书馆内藏书量大,读者操作日志繁多的问题,采用图模型进行数据存储。首先对源数据进行清洗、抽取和转换后,将读者和图书等作为节点,操作日志作为边,建立图模型。然后通过隐式打分和读者间相似度,建立关联图谱,其中计算读者间相似度时,针对高校图书馆场景下,读者专业性强、操作记录少等特点,采用读者-图书类别偏好矩阵减少了矩阵稀疏度,并引入读者个人信息矩阵。随后使用谱聚类对关联图谱中的读者节点进行聚类,生成不同的类簇群体。最后对读者进行线上推荐时,在对应的类簇群体中通过协同过滤算法和预测评分的高低得出推荐图书列表。在测试环节,使用学校图书馆的数据信息作为实验数据,进行了多组测试。首先和基于K-means的推荐算法进行了对比,其次和基于读者-图书评分矩阵以及基于填充的伪评分矩阵的推荐算法进行对比,最后在新读者的推荐精准度上和热门书籍推荐算法进行了对比,并测试了该方法在最优类簇数目、最近邻数目和推荐列表长度下的推荐效果。结果表明,本文方法在F1(精确度及召回率)和MAE指标上要优于其他方法。