在信息时代,互联网在给人们生活带来便利的同时,也造成了信息过载问题。推荐系统作为解决信息过载问题的一种有效方式,近年来受到越来越多人的关注。推荐算法是推荐系统里最重要的部分,其基本思想是利用用户的历史交互数据来对用户的兴趣偏好建模。协同过滤算法作为推荐算法中最经典的类型,在工业界上有很好的落地和应用,但现有的协同过滤算法仍存在一些不足,例如对协同过滤信息的捕获不够充分,所生成的用户和物品的特征向量表达能力不够。本文的主要内容是基于图卷积神经网络的推荐算法研究,通过利用图卷积神经网络来解决上述问题,并在此基础上构建电影推荐系统。在推荐算法研究方面,本文从图的视角出发,提出了基于图卷积神经网络的协同过滤推荐模型。在模型结构设计上,基于消息传播的思想设计了三层图卷积层,通过探索利用图中的高阶连通性关系,充分挖掘用户历史交互数据中所蕴含的协同过滤信息。同时引入了注意力机制,在做信息聚合时按照不同的权重聚合来自不同邻居节点的信息,并且还融入了用户和物品的辅助信息,从而更加精确地对用户兴趣偏好进行建模,生成表达能力更强的用户和物品隐向量。在Movie Lens公开数据集上的对比实验中本文所提出的模型表现均优于其他基准方法,同时本文还针对模型中的各项改进分别做了详细的对比实验,证明了本文所提出的模型的优势与有效性。在电影推荐系统设计与实现方面,本文在所提出的模型基础上设计并实现了基于图卷积神经网络的电影推荐系统。本文严格按照软件工程的要求对系统进行开发,基于大数据计算平台Apache Spark以及Java EE的主流开发框架Spring搭建了一套功能完备的电影推荐系统,系统的架构为MVC模式架构,包括数据层、推荐引擎层、业务层和视图层。系统在功能上由基本功能模块和推荐功能模块两部分组成,其中基本功能模块包括用户注册、用户登录、电影搜索、电影评分、历史评分、编辑个人信息、退出登录等基本功能,推荐功能模块包括离线推荐功能、实时推荐功能、热门推荐功能、详情页推荐功能。经过系统测试验证,该电影推荐系统的各项功能的运行效果均符合需求分析中的要求,证明了该电影推荐系统的可行性与实践价值。