现代电商平台普遍使用了推荐系统,推荐系统不仅能提高用户的忠诚度和黏着性,还能带动消费创造经济效益。但是现有传统电商的常规产品推荐算法并不能完全适用于农产品推荐,往往会造成推荐精度不高的问题,不能很好地满足用户的需求。故本文在此背景下,对现有的农产品推荐算法进行理论研究和改进,进一步提出适用于农产品的推荐方法,并将该方法应用于“搜特产”农产品电子商务平台验证其有效性。本文的主要工作有以下三点:第一,构建了农产品数据集。针对目前还没有通用农产品数据集的情况,本文通过WebCollector框架爬取了农产品推荐系统的原始数据,进一步把原始数据经过筛选、纠错等预处理后,构建出了包含8239名用户对1216种农产品产生的55231条评分和评论的农产品数据集。第二,针对农产品特点对农产品推荐算法进行了改进。为了提升农产品推荐的效果,本文利用图神经网络技术,构建用户-农产品交互二部图,提出了基于层次图的农产品推荐模型HGAPR(Hierarchical Graph based Approach for Agricultural Product Recommendation)。该模型将用户、农产品以及两者的交互构建为二部图,充分利用了农产品的名称、描述以及用户对农产品的评价等文本信息,在一定程度上缓解了推荐系统中存在的数据稀疏性问题和过拟合问题。同时,该模型的层次图结构可以学习到农产品和用户的层次特征,更符合农产品推荐场景。在农产品数据集上,HGAPR模型超越了所有的基线模型,取得了最好的推荐效果。第三,在“搜特产”农产品电商平台上对HGAPR模型进行了验证。为了验证了本文提出模型的可行性,本文使用B/S架构搭建了“搜特产”农产品电商平台的推荐模块,实现了模型与农产品数据的结合,完成了农产品的推荐。今后仍需要结合用户的个性化需求进行分析研究,以期望对农产品电商平台推荐算法的研究有所补充。