随着互联网和移动终端的普及与发展,网络信息爆炸式增长,如何精准、快速地帮助用户获取到感兴趣的信息,成为推荐系统的主要研究目标。基于不同的用户、项目嵌入表示学习方式,本文提出了两种基于图神经网络的推荐算法:基于图神经网络和注意力机制的推荐算法(GCFA)和融入会话的图神经网络推荐算法(ISGNN)二者均使用图神经网络去学习嵌入表示。GCFA提出了一种基于图神经网络的评分预测推荐模型。首先,本文提供了一种方法来联合捕获用户-项目图中的交互行为和观点。其次,GCFA考虑了用户-项目交互行为的不同强度,这表明各种交互行为对用户偏好(或物品特性)的贡献是不同的,因此使用注意力机制来实现这一目标。接下来,利用嵌入传播层对协同信号进行编码。最后经公开数据集Ciao和Epinions验证,GCFA取得了优于其他几种推荐算法的效果。ISGNN是在基于图神经网络的推荐算法中,引入会话的思想。首先,针对用户-项目二分图,使用单模投影得到压缩后的用户-用户关系图,通过比较该用户的相似用户得到该用户的粗粒度级表示,也就是用户层面的潜在意图。将用户会话的长期兴趣和短期兴趣进行结合,得到会话的细粒度嵌入表示。再将用户粗粒度潜在意图与会话细粒度表示结合,得到更精准的用户嵌入表示,从而更好地提供个性化推荐。经公开数据集验证,该算法较其他几种经典推荐算法均有较好的推荐效果。本文首先介绍了选题的背景和意义,分析了现阶段常用的推荐算法。接着详细阐述了两种基于图神经网络的推荐算法的原理和建模过程,并在公开数据集上验证了本文提出的算法的有效性。最后总结了作者在论文期间的工作,并对下一步研究方向进行了展望。