十九大以来,互联网和大数据技术不断发展,网络图书资源也越来越丰富,但是用户也很难从海量的书籍中迅速找到满足自己需求的图书。为了使用户能够快速地获取到自己喜欢的图书,个性化推荐算法应运而生。常用的个性化推荐算法有基于邻域的推荐算法、基于内容的推荐算法等。但是前者在数据量非常大时,用户-物品评分矩阵会非常稀疏,导致推荐结果不准确;后者只能解决物品冷启动问题,而不能解决用户冷启动问题。为解决这些问题,本文提出了一种网络图书推荐算法,主要分为召回阶段和排序阶段。本文在召回阶段的推荐算法是在基于邻域的推荐算法和基于内容的推荐算法的基础上结合Doc2Vec方法。首先分析了豆瓣读书平台的用户行为数据,计算出用户间的兴趣偏好相似度、图书间的内容相似度以及用户兴趣偏好与图书内容的相似度,然后再通过这些相似度预测出用户对图书的评分,最后根据预测评分的大小为用户实现个性化推荐。实证分析得出,该算法明显改善算法的数据稀疏性问题,而且推荐结果的准确性有明显的提升。虽然召回阶段的推荐结果已经得到很大的改善,但其召回率会随着推荐数量的减少而大幅度降低。本文提出通过排序阶段的算法对召回阶段的推荐结果重排序。首先,通过用户行为数据分别从用户行为特征、图书行为特征和用户-图书交互行为特征进行了特征构造。然后,将构造好的特征组合分别代入到逻辑回归和梯度提升决策树模型中,并预测出推荐结果。最后实验结果表明,经过这两种方法对推荐结果重新排序,能够有效提升推荐算法的推荐性能。一个好的个性化推荐算法不仅要能解决冷启动问题,其推荐结果还要多样化。因此,本文结合用户活跃度和图书流行度构造了一个特征—推荐指数。该指数可以衡量图书对某个用户的推荐程度。最终结果表明,算法在准确性牺牲最少的情况下能提高推荐结果的多样性,并且避免冷启动问题的出现。