随着移动互联网的快速发展,网络中的数据量正在以指数级别快速增长,信息过载问题则随之出现,该问题导致用户很难从互联网海量的产品或服务中找到自己真正感兴趣的。为了提升用户的体验以及企业的经济效益,推荐系统应运而生。一个有效推荐系统的核心是能根据用户历史交互准确建模用户偏好,并根据用户偏好来个性化地向用户推荐物品。现代推荐系统虽然蓬勃发展,但始终受数据稀疏和冷启动问题影响。作为图神经网络的一种,超图神经网络能更好地利用数据中的高阶关联信息,从而有效缓解数据稀疏和冷启动问题。本文分别基于三种不同的推荐任务场景设计了相应的基于超图神经网络的推荐模型,以求达到更优的推荐效果。本文的主要研究内容如下:（1）为了更好地建模知识图谱上实体之间的高阶关联并将之与推荐任务相结合,我们提出了一种知识感知超图神经网络模型。该模型首先根据用户历史交互和知识图谱来构建超边,根据生成的超边为用户和物品构建各自的知识感知超图,然后在超图上采用知识感知超图卷积方法学习得到相应用户或物品最终的嵌入表示。（2）为了更好地捕捉不同物品在会话内及会话间的全局高阶关联信息并将之与会话内物品间的局部关联信息相融合,我们提出了一种基于超图注意力网络的会话推荐模型。该模型首先在会话的局部子图上应用门控图神经网络方法捕捉局部关联信息,接着在会话超边构成的全局超图上应用超图注意力网络方法捕捉全局关联信息,之后将这两种表示信息融合并利用注意力机制捕捉会话序列信息。（3）为了更好地建模用户以及物品之间的高阶关联关系并将其与协同过滤信息相结合,我们提出了一种基于超图注意力网络的协同过滤推荐模型。该模型分别在根据用户历史交互构建的超图和二部图上利用超图注意力卷积方法和图卷积方法捕捉节点间的高阶关联信息和协同过滤信息,并将这两种信息融合并用于推荐。