随着互联网信息科技的发展,人们在日常生活需要处理各式各样的信息,信息过载成为人们快速获取需要的信息内容的一个重大难题。推荐系统的出现无论是对于业务需要的高效工作,还是日常生活的品质体验,都帮助人们大大减轻了筛选信息的工作,带来巨大的帮助和收益。推荐系统的实现方法是根据学习用户或项目本身的属性信息,以及用户与项目的历史交互信息来挖掘用户可能感兴趣的项目。但传统的推荐算法只关注于用户和项目的直接交互数据而没有重视实际推荐场景下其他属性的关联,进而面临数据稀疏性等问题。图神经网络在异质信息网络上的建模可以通过特定的关系去聚合每个目标节点与其他异质邻接节点的信息,有效挖掘出不同类型节点与边之间存在的高阶隐式交互信息。另外,多任务学习在工业界的实践证明了其对模型改进的有效性。因此,在基于多任务学习的框架下应用图神经网络作为挖掘推荐场景中包括用户与项目的交互信息的方法,十分具有研究价值。本文提出两种基于多任务学习的图神经网络推荐算法,利用图神经网络学习生成具有丰富语义的节点表示向量用于推荐。本文首先提出了基于多任务学习的图神经网络推荐模型（Multi-Task Heterogeneous Graph Neural Network,MTHGNN）,研究了利用图链接预测任务和项目匹配推荐任务的两个监督任务共同作用下学习用户和项目的节点表示用于推荐。为了进一步改进模型,本文在MTHGNN模型的基础上提出融合对比学习的图神经网络推荐模型（Contrastive Learning Heterogeneous Graph Neural Network,CLHGNN）,研究了利用对比学习自监督任务辅助项目匹配推荐任务学习用户和项目的节点表示向量用于推荐。在算法设计上,MTHGNN模型首先设计了稠密子图采样策略用于异质图的子图采样;其次在图神经网络模型的设计包括异质节点的类型转换、引入注意力机制的图神经网络层以及结合多任务学习的参数共享中运用到混合专家知识网络模块;最后在多任务联合训练过程中,采用了权重自学习方法优化训练过程。而CLHGNN模型在MTHGNN模型的基础上加入了对比学习的内容,首先是在自监督任务模块中对子图采样得到的数据进行数据增强,得到不同视角下的子视图样本;其次自监督任务模块对不同子视图进行图编码,同时监督任务模块也进行节点表征;最后将自监督任务模块学习到的节点表示与监督任务模块的节点表示进行充分的特征交叉,然后再进行推荐预测。两个模型在真实公开数据上进行实验得到的结果验证了它们在推荐场景应用的有效性。