1.一种基于卷积神经网络的图书采购推荐方法，其特征在于，包括：
步骤s1：获取历史书单数据和历史订单数据；
步骤s2：将历史书单数据与历史订单数据进行匹配，根据匹配结果将历史书单数据中的图书划分为购买和未购买两个类别，作为历史书单数据的标签；
步骤s3：从带有标签的历史书单数据划分出训练集；
步骤s4：将训练集中包含的信息转化为向量的表示形式；
步骤s5：利用训练集对应的向量对预先构建的神经网络模型进行训练；
步骤s6：将待处理图书的信息转换为向量后，传入训练好的神经网络模型，得到待处理图书的采购推荐结果。
2.如权利要求1所述的方法，其特征在于，步骤s2具体包括：
步骤s2.1：将历史书单数据与历史订单数据进行匹配；
步骤s2.2：如果历史书单数据中包含的图书出现在历史订单数据中，则将历史书单数据中包含图书的类别标记为购买，否则，将历史书单数据中包含图书的类别标记为未够买，得到带有标签的历史书单数据。
3.如权利要求1所述的方法，其特征在于，步骤s4具体包括：
步骤s4.1：将训练集中包含的信息与预先构建的字典库进行匹配，其中，预先构建的字典库中包含汉字以及其对应的词向量表示；
步骤s4.2：根据匹配情况，将训练集中包含的信息转换为对应的词向量表示。
4.如权利要求3所述的方法，其特征在于，字典库的构建方法为：
统计历史书单数据中汉字的出现次数；
删除出现次数少于阈值的汉字以及作为停用词的汉字，将剩余的汉字构建字典库。
5.如权利要求3所述的方法，其特征在于，与汉字对应的词向量表示的构建方法为：
将字典库的大小限制为包含预设数量的汉字；
采用tensorflow库中的初始化方法生成每个汉字对应的词向量。
6.如权利要求1所述的方法，其特征在于，训练集中包含的信息为文本序列，步骤s4.2具体包括：
将文本序列设置为预设长度；
将文本序列中出现的每个汉字转化为字典库中对应的词向量表示，生成一个词向量矩阵。
7.如权利要求1所述的方法，其特征在于，训练好的神经网络模型包括一个输入层、至少一个卷积层、一个汇聚层和一个全连接层，在卷积层中设置不同大小的卷积核，步骤s6具体包括：
步骤s6.1：通过输入层对转换后的向量进行处理后送入卷积层；
步骤s6.2：通过卷积层中设置的不同大小的卷积核提取不同长度的特征图；
步骤s6.3：通过汇聚层将不同长度的特征图进行降维处理，得到处理后的特征图；
步骤s6.4：通过全连接层对处理后的特征图进行处理，得到概率值；
步骤s6.5：通过输出层将概率值进行输出；
步骤s6.6：根据输出的概率值大小，获得图书购买推荐结果。
8.一种基于卷积神经网络的图书采购推荐装置，其特征在于，包括：
数据获取模块，用于获取历史书单数据和历史订单数据；
数据匹配模块，用于将历史书单数据与历史订单数据进行匹配，根据匹配结果将历史书单数据中的图书划分为购买和未购买两个类别，作为历史书单数据的标签；
数据划分模块，用于从带有标签的历史书单数据划分出训练集；
数据转化模块，用于将训练集中包含的信息转化为向量的表示形式；
训练模块，用于利用训练集对应的向量对预先构建的神经网络模型进行训练；
推荐模块，用于将待处理图书的信息转换为向量后，传入训练好的神经网络模型，得到待处理图书的采购推荐结果。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被执行时实现如权利要求1至7中任一项权利要求所述的方法。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一项权利要求所述的方法。