在倡导全民阅读的新时代信息化背景下,本文从图书个性化推荐的角度出发,通过运用比传统推荐算法更加与人的阅读习惯相匹配的序列推荐算法,帮助大众在海量的信息中迅速找到令其感兴趣、容易阅读并且有价值的内容,旨在助力全民阅读事业的推进。本文对序列推荐现有的多种领先算法进行了在图书推荐场景下的适用性探索,并充分考虑不同人群购书场景下的间隔时间差异性特征、多主题并行特征来设计模型结构。利用亚马逊网站公开发布的书籍评分数据比较基于循环神经网络、卷积神经网络、图神经网络、编译模型的神经网络、自监督神经网络与各自的扩展或混合模型等几种不同的序列推荐算法的优劣。首先从原理上进行辨析,分析各种模型结构对书籍评分数据的匹配程度,继而从实证角度进行辨析,在考虑到本文所使用的图书数据集与原算法提出时实验所用的数据集之间具体的数量差别条件下,围绕书籍序列推荐算法适用性研究这一总体目标,细分为结果准确性比对、计算资源消耗比对等多个实证目标,进行相应的实验设计、技术实现以及结果比对分析。实验发现STAMP模型的推荐性能最优,预测结果准确度高并且计算速度快,其利用门控循环单元充分提取序列的长期兴趣与当前兴趣,并且加入注意力机制来控制噪声等问题,是实际应用中的首选方案。基于图神经网络的序列推荐模型可扩展空间更大,但相应的对计算资源的消耗更多,适合追求极致的精确度的情况下使用。