推荐算法能够帮助用户从海量多样的数据中选择自己感兴趣的信息,可以有效地缓解信息过载问题。传统的推荐算法运用用户项目的历史交互来分析用户的兴趣偏好,因而推荐系统也面临着数据稀疏和冷启动等问题。随着网络信息的多样化,除了用户项目评分外,还有许多关于用户和项目的辅助信息如:社交网络、知识图谱等。这些辅助信息可表示成图的形式,加入到推荐系统中能够丰富用户和项目的特征,缓解数据稀疏和冷启动问题,提升推荐算法的准确度。图神经网络在学习图数据上具有很大优势。本文使用图神经网络处理推荐系统中图形式的用户项目历史评分信息和辅助信息,将图神经网络应用于推荐算法,以此展开研究。论文的主要研究内容如下:（1）提出了基于注意力机制和用户属性的图网络推荐模型。该模型通过轻量级图卷积网络学习用户和项目的高阶关联信息,通过注意力机制对不同邻域特征嵌入加权求和得到用户、项目潜在特征,再利用多层感知机提取的用户属性特征融合到用户潜在特征中,最后,用户项目潜在特征的内积作为预测结果进行推荐,通过实验验证,该模型的推荐准确度得到提升。（2）使用图卷积网络将知识图谱信息融合到推荐算法中。提出基于知识图谱的图卷积网络推荐模型。该模型首先利用图卷积网络在用户-项目交互图上提取用户和项目特征,通过图卷积网络在知识图谱上捕获实体的邻域信息,提取实体深层特征;然后,将项目和实体特征送入交叉压缩单元中学习二者特征间的高阶交互;最后,将用户特征和项目特征进行内积,输出预测概率。该模型实现了用户信息与知识图谱中的实体信息更有效地融合,提取了更深层次的项目特征,提高了推荐模型的准确性。（3）使用多头图注意力网络将社交网络信息融合到推荐算法中。提出基于社交网络的多头图注意力网络推荐模型。该模型的用户建模部分,使用多头图注意力网络分别聚合用户-项目交互图上与用户交互的项目信息,和用户-用户社交网络中用户的社交邻居信息;项目建模部分使用多头图注意力网络聚合用户-项目交互图上与项目交互的用户信息得到项目潜在特征;最后通过多层感知机将用户潜在特征和项目潜在特征结合成预测评分。经实验验证,该模型能够有效提升推荐准确度。