随着信息技术的高速发展,人们在享受互联网技术带来巨大便利的同时,也面临着互联网中海量数据产生的信息过载问题。推荐系统是一种缓解信息过载问题的有效工具,能够从海量数据中发现用户可能感兴趣的产品或服务进行个性化推荐。协同过滤算法是一种非常流行和有效的推荐方法,不过由于其只考虑用户的历史交互数据并根据用户潜在的共同偏好来进行推荐,在实际应用中容易遇到用户物品交互稀疏和冷启动问题。近年来,有许多基于深度学习的推荐方法被提出来用于改进协同过滤算法的不足,其中基于图卷积网络的推荐方法由于能够聚集用户-物品二部图上多跳邻居的信息来学习用户物品特征表示,使得推荐效果有较大提升。尽管目前基于图卷积网络的推荐方法已经取得了较好的推荐效果,不过仍然存在一定的局限性:一方面在于只使用了用户物品历史交互数据这一个方面的信息,没有引入额外的辅助信息来改善稀疏性和冷启动问题;另一方面在于只使用了观测到的用户物品交互作为监督信号来训练模型,在用户物品交互非常稀疏时,模型不能获得足够的监督信号来学习高质量的用户物品特征表示。为了改进基于图卷积网络推荐方法的不足,本文在基于图卷积网络推荐方法基础上引入了物品属性信息和自监督学习技术。本文的主要工作包括以下几个方面:（1）提出了一种基于图卷积网络与融合物品属性信息的推荐方法。首先在用户-物品二部图和用户-物品属性信息的二部图上基于图卷积网络传播节点特征表示来聚合节点的邻居信息,然后将两个二部图上获取的用户物品特征表示进行加权融合来获取最终的用户物品特征表示,最后基于最终的用户物品特征向量的内积计算用户对物品的兴趣值,从而生成推荐列表。（2）提出了一种基于自监督图学习与融合物品属性信息的推荐方法。首先将基于图卷积网络与融合物品属性信息的推荐方法作为主监督学习任务,然后通过改变用户-物品二部图和用户-物品属性信息二部图的结构作为模型输入来获得不同图结构下的节点特征表示进行自监督对比学习来获取更高质量的用户物品特征表示。（3）对本文提出的两个推荐方法进行实验和结果分析。实验结果表明:本文提出的两个推荐方法和多个对比方法相比,在召回率（Recall）和归一化折损累计增益（NDCG）指标上都获得了较大提升,能够实现更加精准的推荐。