推荐算法是互联网最热门的研究领域之一,协同过滤是推荐算法子领域之一,具有需要的数据量少,适用性强等诸多特点,广泛应用于互联网上电影、商品、广告和POI等诸多内容的推荐中。本文在考察调研了现有推荐模型的基础之上,以提升协同过滤任务召回率等指标为目的,通过分析用户-物品数据集的特性以及用户-物品关系网络中的节点的异构性,搭建了能够学习用户对物品显示反馈以及有效捕捉不同节点之间高阶关系以及协同信号的图神经网络协同过滤模型。本文分析了基于GNN的协同过滤算法能够取得优异的推荐效果原因,分析了去除了非线性变换的GNN模型提升预测效果的方法,在这基础上通过应用多任务模型架构来学习协同过滤数据集中的交互信息和评分信息,并且构建不同类节点的相似性传播矩阵实现了同类节点之间的信息传递,在Gowalla等数据集上的实验结果表明搭建的模型在召回率等指标上的能够得到更优的结果。通过降维并可视化展示了用户与对应物品之间的偏好关系。相较于以往模型,本文搭建的模型训练更加高效,同时模型能够更有效地处理冷启动问题。本文在理论分析的基础上,搭建了新型基于图卷积网络的协同过滤模型。并分析了不同种模型在处理任务能够得到不同预测效果的原因。模型采用反向传播和梯度下降进行训练,并通过增大过热物品负采样概率的方法降低过热物品对推荐系统的影响。在预测时利用用户和物品的嵌入向量的内积运算进行推荐物品。