随着大数据、人工智能新技术为代表的新的信息技术的应用,信息技术推动了业务信息化地不断发展,现代图书馆基本告别以前人工登记借还的传统手段,应用上了图书信息化系统进行图书借还相关业务,读者也能更便捷的查询借阅图书。随着图书馆藏图书数量规模数量的不断扩大,读者面对海量图书数据,无法有效得查找到自己需要的图书,迫切需要一种手段帮助读者和图书之间建立高效连接关系。相比于其他手段,推荐系统是比较有效的手段。推荐系统首先收集读者的历史借阅行为数据,然后进行分析后向读者推荐读者感兴趣的图书。以协同过滤算法为代表的传统推荐算法在实际工业界应用中最为经典和广泛推荐算法。多数的图书推荐系统也应用该算法。但以协同过滤算法为代表的传统协同过滤算法无法很好地处理数据稀疏性带来的推荐性能下降问题。并且只是利用读者和图书交互行为的浅层特征设计,无法做到对读者和图书相关属性特征进行高层次抽象学习。针对以上问题,本文利用深度学习技术搭建网络推荐模型以解决传统推荐问题,提高图书推荐的质量。根据以上思路,开展本文工作如下:(1)针对传统推荐算法使用one-hot向量来表示数据不能很好表达数据的自身特征和不能充分体现数据相关关系,而且用one-hot向量建立起来的向量矩阵在数据量很大的时候,所需建立起来矩阵巨大,占用资源过大等问题,本文在数据输入上采用了对象嵌入式表示方式,该方式可以使用低维度、值稠密、实数值的向量来表示对象。这样不但能更好地抽取对象特征,自身占用空间相比one-hot向量减少很多,而且适合作为神经网络模型的数据输入。(2)针对图书标题本文信息提取上,传统推荐算法由于是浅层学习模型,无法有效地提取文本里蕴含的信息,本文利用文本卷积神经网络从书籍的题目提取出本文丰富的信息特征表达。(3)利用深度学习对读者对图书借阅的概率进行建模,通过多层神经网络构建推荐系统模型,将读者和图书抽取出来的特征输入网络中,通过多层的神经网络把读者和图书的特征进行深层次的交互,挖掘读者和图书之间的隐藏的深层次交互关系。(4)构建并实现了一个深度学习的图书推荐模型,利用南宁学院的图书借阅数据进行实验与传统推荐算法进行对比,从实验结果上验证了深度学习推荐模型方法的有效性和优越性,为以后的图书借阅个性化推荐应用增加多一条有效的途径。