推荐系统一直是解决现代信息过载问题的关键技术之一,在个性化推荐系统的发展过程中,一直面临着数据稀疏、冷启动、推荐系统性能差等问题,这些问题对推荐系统的准确性影响很大。为了解决这一问题,研究者将社会关系信息引入传统的推荐框架并提出了社会化推荐方法。现阶段,大多数方法仅利用了一阶的社会关系,并没有充分的利用社交图中的辅助信息,而高阶的社会关系可以通过不同距离的朋友更好解释用户的兴趣偏好。针对这个问题,本文分别使用两种不同图神经网络方法捕获用户社交关系中的高阶邻居表示,提高了推荐系统的性能。本文的主要工作内容如下:（1）为了有效捕获不同距离的社交邻居对用户偏好的影响,本文提出融合多策略的社会化推荐模型,该模型通过在社交图上进行随机游走生成用户社交序列,利用具有注意力机制的双向长短期记忆网络捕捉用户和项目交互时邻居对项目的交互意见,获得用户潜在向量。利用图注意网络学习项目的潜在向量,最后在神经协同过滤模块进行评分预测。该模型在两个真实世界数据集的基础上与社会化推荐领域具有代表性和先进性的模型进行对比实验,分析了序列长度和数量对推荐性能的影响,证明了该模型的有效性。（2）为了解决因高阶邻居增加而导致计算量增大的问题,本文提出基于多层图神经网络的社会化推荐模型,该模型利用多层图卷积网络沿着社交网络递归地进行嵌入传播,有效地获取高阶邻居对用户偏好的影响,并使用注意力机制聚合不同层的朋友,从而获得更好的向量表示。利用图注意力网络获得用户和项目感知的潜在表示,最后在神经协同过滤模块中进行评分预测。该模型在两个数据集上进行广泛实验,分别与社会化推荐中三组模型进行对比,分析了嵌入尺寸与不同层聚合方式对推荐性能的影响,证明了该模型在捕获高阶邻居表示方面具有更好的性能。