[目的/意义]传统PersonalRank方法仅考虑读者与图书的描述性特征或单一评分数据，通过结合包含语义信息的交互数据从而更完整体现用户偏好度，并将此融合到传统PersonalRank方法以优化图书资源个性化推荐的效果。[方法/过程]利用BERT模型评估读者评论数据中的情感分值，并融合读者原始评分数据以度量用户偏好度；利用包含用户偏好度的读者交互数据构建读者—图书二部图；基于构建的二部图，利用PersonalRank方法捕捉读者与图书的潜在相关性，从而进行图书资源推荐。使用豆瓣图书的评分评论数据集，将本文方法与原PersonalRank方法和ItemCF方法进行对比。[结果/结论]本文所用方法相较于对比方法在准确率和召回率上均有提升，证明该方法能够提高图书资源个性化的效果。