链路预测旨在揭示网络背后隐藏的潜在的关系,它作为数据挖掘领域的一项研究,具有重要的研究价值。个性化推荐作为链路预测的一个非常重要的应用,它也受到了广泛的关注。通过链路预测从而最终达到个性化推荐,是解决此类问题非常关键的一种方法。链路预测推荐方法是一种常用的推荐方法,它是根据已知的部分网络节点信息和结构信息,对网络中两个尚未生成链接的节点之间产生链接的可能性或概率进行预测和推荐。图注意力网络可以同时考虑节点以及节点与其邻居的相关性和相关差异性,可有效提高节点特征向量的准确提取效率。为了提高个性化推荐的准确性,本文提出一种基于多图注意力网络的链路预测个性化推荐方法。该方法利用多图进行嵌入,更新初始化特征向量,得到多图融合后的特征向量,通过图注意力网络进行特征学习,输出的特征用于预测评分,进而实现链路预测,最终进行个性化推荐。多图的嵌入可以表达模型的高阶信息以及整合临近的信息。在图注意力网络中设置的双层注意力机制得到用户（项目）特征潜在的组成成分,并且聚合这些组成成分,自动学习不同组成成分的重要性。本文所用的方法采用RMSE和MAE评价指标,通过与一些主流算法进行对比,在三个真实数据集的实验结果表明,所提方法能达到更好的个性化推荐效果。本文主要有以下研究内容:（1）多图的构建在嵌入学习的过程中,同时包括多个图进行嵌入学习,由于目前现有的方法很少考虑多图的构建对提高个性化的推荐的影响,并且没有充分利用用户-项目历史交互数据的信息以及用户-用户和项目-项目之间的关系对个性化推荐进行研究。而多图可以综合考虑高阶信息与临近的信息,用户-项目二部图可以表达模型的高阶信息,而用户-用户和项目-项目关系图可以整合临近的信息。将高阶信息与临近信息充分考虑结合,使学习到的用户和项目特征更加全面,预测效果进一步提升,从而个性化推荐模型更加准确。（2）图注意力网络图注意力网络是在图卷积的基础上,引入了注意力机制而形成的。图卷积无法对每个用户进行不同的对待,而注意力机制可以为节点分配不同的权重,不同的权重代表着节点重要性不同。本文利用图注意力网络进行课题研究,不仅能同时考虑节点以及节点间的结构信息,还可以自动学习不同节点的重要性。（3）链路预测链路预测的关键是要预测其发生的可能性也就是发生的概率。本文利用了基于相似性的链路预测方法,使得链路预测更加准确。通过RMSE和MAE的值,确定链路预测的效果。然后,将链路预测的结果用于个性化推荐,链路预测的结果越准确,个性化推荐越准确,人们对于推荐结果越满意。（4）个性化推荐在学习到用户与项目的最终的特征之后,通过多层感知器,计算预测的评分,预测评分与真实的评分进行比较,评分越接近,证明链路预测效果越好,进而个性化推荐越准确。用RMSE和MAE作为评价指标,与一些主流算法进行实验比较,得出本文方法在个性化推荐的准确性方面能达到更好的效果。