随着网络技术的不断发展,电商平台日趋成熟,网络购物成为网民主要的购物方式。大量的商品一方面丰富了用户生活,另一方面也导致用户很难高效地获取有用信息,带来“信息过载问题”。为了缓解该问题,推荐系统应运而生,得到许多专家学者的关注。推荐模型常常受推荐精度低等问题的困扰。目前主流的模型有图卷积神经网络模型、NGCF模型、协同过滤推荐模型。图卷积神经网络模型作为目前研究此类问题的主流方法之一,在模型精度上具有较大的优势。本文通过对图卷积神经网络进行学习,建立了兴趣分类机制,构建出子图数据,最后得出基于用户兴趣分类的图卷积神经网络模型。本文的主要工作如下:1.介绍了推荐算法的研究现状,对图卷积神经网络的概念和分类进行了介绍,描述Light-GCN模型和NGCF模型的基础理论,从用户之间的相似性引出缓解高阶图卷积后聚合信息高度相似问题的方法,对NDCG评价指标进行介绍,并在亚马逊书籍数据集上进行实验分析。2.针对图卷积神经网络在进行高阶卷积操作之后聚合信息高度相似的问题,本文将用户兴趣分类机制引入到图卷积神经网络中,提出基于用户的兴趣分类的图卷积神经网络模型（IMP-GCN）,该模型通过用户的兴趣爱好来对图结构数据进行分类,依据不同的兴趣爱好构建出不同的子图,加强模型的可解释性。利用IMP-GCN模型与之前的NGCF模型、Light-GCN模型在亚马逊书籍数据集上进行实验对比分析,得出IMP-GCN模型在3阶图卷积操作之后具有更好的聚合效果。3.对亚马逊电商平台进行介绍,将基于用户兴趣分类的图卷积神经网络智能推荐模型在亚马逊电商平台的商品评论数据进行应用和分析。应用结果表明IMP-GCN模型能够较好地完成智能推荐任务,相比其他模型在NDCG指标上有明显提高,有效降低了在高阶图卷积之后聚合信息高度相似的问题,在一定程度上提升了推荐效果。综上所述,本文将高阶图卷积之后聚合信息高度相似的问题转化为子图分割问题,利用用户的兴趣爱好进行子图分割,实现了商品智能推荐。通过在亚马逊商品评论数据集上的应用验证了本文模型的有效性,并根据分析结果为电商平台提出了相关建议。