当下,网络短视频、电商广告、新闻资讯等信息量迅猛增长,如何构建更精准、更个性化的推荐系统已成为各大电商平台、音视频门户网站关注的焦点。而推荐系统中最核心的部分在于其使用的推荐算法,算法的优劣直接影响推荐系统的好坏。虽然诸如协同过滤等传统推荐算法已经历了多年的发展,但面对当前越来越多的稀疏性与冷启动问题时,其较难以从根本上解决。而另一方面,由于近年来图神经网络的发展以及其与推荐系统交互图结构的高度契合性,多种基于图神经网络的推荐算法应运而生。然而,这些算法或多或少面临系统扩展性问题,另有部分算法在应对冷启动与利用节点特征两方面难以兼得。对此,本文开展了基于图神经网络的推荐算法研究,具体的研究内容如下:（1）针对真实推荐环境下可能存在的匿名用户的情况,本文首先开展了基于图卷积网络的匿名节点分类的研究,设计了不同匿名环境下的统一化特征处理机制。同时,针对推荐系统二分异质图推理问题,本文研究并设计了基于图自编码器的二分异质图推理模型,通过跨域消息传递实现了对二分图节点的特征表示能力,并创新性地引入双任务学习机制,有效提高了模型的推理能力。（2）针对图卷积神经网络特征“过平滑”问题,本文从层传播的角度出发,在前一项研究基础上引入了多层特征聚合,在一定程度上缓解了这一问题,有效提升了模型的分类表现。同时本文从降低模型复杂度的角度入手,引入了级联式学习策略,优化了模型内存占用,以较小的精度损失换取了空间上的优化。（3）基于以上两项研究工作,本文提出了基于图神经网络的冷启动双任务学习推荐算法。通过分析冷启动问题的内在机理,本文确定了以归纳式学习为核心的处理流程,并通过引入的闭合子图提取与节点重标记实现了对图外节点的特征表示能力。在此基础上,本文创新型地提出了子图中心性学习策略,通过引导模型预测子图内节点“角色”,以期最大程度学习到子图的拓扑结构。另一方面,本文通过引入双任务学习机制,设计以中心性学习与评分预测的协同优化策略,进一步提高模型的表示能力。本文在三个引文网络数据集上验证了本文提出的二分异质图推理模型,该模型超越了基线模型与现有主流方法。此外,本文在多个主流推荐系统数据集上对本文提出的图神经网络推荐算法进行了实验,并与多个主流方法作对比,结果表明本文的算法在不同数据集下均具有显著的推荐优势。