在这个信息爆炸的时代,推荐系统被广泛的运用于各种在线服务中以此来应对信息过载。协同过滤作为推荐系统的主要技术手段,不仅仅会从用户的行为历史来获取用户偏好,而且会利用其他用户的行为数据来更好的推断用户的行为偏好。近些年来,神经网络因其在计算机视觉、自然语言处理等领域的出色表现,也受到了推荐系统的青睐。神经协同过滤算法通过拼接用户和物品向量,并使用多层感知机来学习用户向量和物品之间的交互关系,在隐式反馈推荐问题上取得了很好的结果。然而后续的研究发现,这样的向量组合方法并不能很好的表达用户物品向量之间的复杂结构关系。为了更好的学习用户向量和物品向量维度之间的关联关系,提出通过堆叠向量形成履带的方式,来组织用户和物品向量,并通过应用卷积神经网络来学习向量维度间多层面的关联关系,进而更好的学习用户物品的交互关系函数。一方面堆叠向量可以让向量的维度间呈现局部关系,相对于拼接向量可以更好的建立向量局部维度间的关联。另一方面可以通过堆叠转化而来的用户物品向量或者隐式因子向量来进行扩展。而卷积神经网络非常擅长局部特征的提取,因此可以利用其来充分的挖掘向量局部维度间的关联关系。对于基于堆叠向量的卷积神经网络协同过滤算法,采用Amazon上的数据集进行实验与验证,并在基于Top-K的推荐上与当前主流的基于神经网络的协同过滤算法进行对比。结果表明,所提出的基于堆叠向量的卷积神经网络协同过滤算法在相同的数据集下超越了当前主流的基于神经网络的协同过滤算法。