随着信息科技发展,网络图书商城的出现,使得大众足不出户便可购买各类图书产品,极大促进了社会文化传播。然而面对浩繁的图书,大众要找到符合自身兴趣的图书,是一件困难的事情。传统图书推荐系统为解决这一问题做出了贡献,但是传统图书推荐系统始终遭受着诸如稀疏性和冷启动等问题的困扰。与此同时,深度学习无论是在工业界还是学术界都获得了极大的关注,它在诸如自然语言处理,图像处理和语音识别等领域获得了巨大的成功,是一项仍然具有巨大潜力的先进技术。如果能把深度学习技术应用在图书推荐系统上提升推荐性能,将具有巨大的发展前景和社会意义。本文在多层感知器、堆叠降噪自编码器(Stack Denoising Auto-Encoder,SDAE)等深度学习技术与推荐系统结合,以及辅助信息特征预处理等方面进行了研究,主要工作如下:(1)面对隐式反馈数据场景,在深入研究基于神经网络的协同过滤算法(Neural network based collaborative filtering,NCF)的基础上,针对其只利用隐式反馈数据,易受稀疏性问题制约的情况,提出了基于NCF的改进图书推荐算法,该算法将隐因子空间划分为辅助信息隐空间与ID隐空间,能同时利用辅助信息与隐式反馈数据进行学习。实验结果证明,该算法能有效提升推荐命中率与推荐序列质量,有效缓解了稀疏性问题的影响。(2)面对显式反馈数据场景,在深入研究了基于堆叠降噪自编码器的推荐系统之后,针对以往文献仅使用堆叠降噪自编码器而导致算法学习能力不足,制约推荐准确率的问题,本文提出了基于SDAE的改进图书推荐算法,该算法联合使用堆叠降噪自编码器与多层感知器,提升学习隐向量之间非线性交互函数的能力。实验结果证明,该算法有效降低了图书推荐的均方根误差,提升推荐准确率。(3)最后本文设计并实现了一个以本文提出的两种改进图书推荐算法为推荐引擎的个性化图书推荐系统的原型。该系统由用户交互模块,推荐引擎模块和后台管理模块三部分组成。实现了用户从注册登陆浏览到推荐的一整套流程。