随着当今网络和大数据的飞速发展,人们已经脱离了信息匮乏的时代。网络给人们带来了便利,提供了大量的信息,同时人们对网络上的服务也提出了更高的要求,人们希望得到更快、质量更高的服务。而信息的爆炸式增长,带来了两个问题,一方面,简单搜索不能针对性的提供个性化服务,用户很难在海量的信息中获取到自己不了解但可能感兴趣的信息。另一方面,作为信息的生产者,如何最有效地利用信息,将信息推送给潜在目标用户也是一个难题。如今网络上图书信息成倍数地增长,用户常常需要花费大量时间来浏览、寻找自己感兴趣的图书。为了优化用户体验,个性化推荐算法是有效的解决方法。本文针对于图书推荐系统,提出了效果较好的推荐方法,对系统的整体框架、算法改进进行了阐述说明,论文的主要工作如下:1.构建了图书中文语料库,使用Word2Vec中的Skip-Gram模型对自然语言进行建模,生成词向量,完成了卷积神经网络输入数据的预处理。并对比了现有的三个语料库和本文的图书中文语料库对卷积神经网络输出结果的影响,得出了本文语料库的预处理结果优于现有中文语料库的结论。构建卷积神经网络,本文实现了基于Yoon Kim的网络模型改进的卷积神经网络。实验证明改进后的卷积神经网络在本文的图书数据集的分类问题上要优于原有模型。2.将基于内容推荐与协同过滤进行结合,设计了图书推荐系统,改进后的卷积神经网络应用于基于内容的推荐,与协同过滤结合,得到了优于传统协同过滤的结果,并在一定程度上改善了冷启动问题。