随着数字化在各行业推进,数据以前所未有的速度增加,超过系统处理规模的信息正引发数据过载。基于一定数据规模量的推荐系统正成为解决数据过载的重要手段。高校图书馆为全校师生提供图书借阅、文献检索、科研支持等服务,是师生的“第二课堂”。但随着馆藏书籍不断扩充出现以下问题:（1）用户难以发现自己的潜在兴趣而进行拓展性借阅;（2）用户图书搜索成本变高,可能降低借阅积极性;（3）疫情期间,传统的线下图书推荐活动成本变高;（4）用户难以通过传统的图书检索充分利用现有馆藏资源。现有的图书馆数据处理架构,由于部分功能缺失和处理数据量规模的限制难以解决上述问题。而图书推荐系统,能够根据用户个人信息、历史行为信息、图书信息等挖掘出用户喜好,满足用户个性化借阅需求。但目前高校图书推荐系统大多存在不足:（1）多数研究停留在传统协同过滤算法;（2）忽略中文特征,数据特征利用低下;（3）推荐应用系统性能与拓展性有限。基于以上不足,本文以XX大学图书馆为例,通过分析研究场景需求、结合工业界现有解决方案、综合考虑场景可用数据,采用Spark大数据处理框架和Hadoop分布式存储框架,提出并实现了基于交替最小二乘法（ALS）的协同过滤+中文词嵌入DeepFM（Collaborative filtering-Chinese Word2vec-DeepFM,简称CCWD）混合模型的图书推荐系统,主要工作如下:（1）数据获取及预处理。处理图书馆业务数据:数据标准化、删除噪声数据、删除关键信息缺失值、填充非关键信息缺失值。探索性分析业务表字段,挑选合适字段作为模型特征。（2）构建CCWD混合模型。混合模型融合不同模型召回率高、耗时低的各自优点,分为召回和排序阶段:召回阶段使用基于ALS协同过滤,排序阶段使用改进DeepFM进一步提高推荐准确率。其中改进DeepFM的步骤为:以中文图书名为基础,先将书名使用Jieba分词,后用Word2vec将分词结果进行词向量表达,再将词向量嵌入至DeepFM。CCWD混合模型比基准算法平均绝对误差（MAE）、均方根误差（RMSE）分别至少下降1.3个百分点、5.4个百分点;选取Top N=10时,推荐指标召回率（Recall）、命中率（Hit）分别至少提高9.1个百分点、6.2个百分点。（3）实现混合图书推荐系统。主要包括Hadoop分布式存储、Sqoop同步Mysql至Hive、Spark读取Hive数据并进行预处理、模型实现,产生推荐结果存储至Redis,最后将结果展现于图书检索页面。经过系统测试,在并发访问量达到200时,推荐功能保持100%可用。