随着网络信息量的不断增大,推荐系统作为解决信息过载的工具发挥着越来越重要的作用。推荐系统的核心部分主要为召回和排序两个模块,召回模块需要快速从原始物品集合中检索出用户可能感兴趣的候选物品,排序模块对召回候选集进行精准排序以便推荐。本文针对推荐中的召回模块和排序模块进行了研究,主要完成以下三方面的工作:(1)本文将图神经网络GraphSAGE模型引入进推荐召回中,将用户和物品节点进行了图嵌入表示,根据物品和用户的嵌入向量内积进行召回。另外,除了使用GraphSAGE原始模型中的聚合方式外,本文还提出了基于注意力机制的聚合方式。基于MovieLens-20M电影数据集和Electronics商品数据集进行了召回实验,实验验证了本文提出的召回算法命中率要明显高于目前主流的双塔结构的深度召回模型和基于图嵌入召回的EGES方法,相较于EGES算法平均召回性能提升了 12%。同时也验证了本文提出了基于注意力机制的聚合方法也优于GraphSAGE原模型中的聚合方法。(2)本文将多任务学习引入到推荐排序阶段,将单个用户的推荐任务建模为一个单独的回归或者分类任务,并将所有用户的推荐任务采用元学习算法进行联合学习训练。这种建模方式能够与目前许多深度推荐网络架构相结合,以得到更加精准的推荐。实验基于MovieLens四种不同规格的数据集和Electronics商品数据集展开,分别结合了目前主流的几种推荐网络架构进行了对比,结果表明采用了多任务学习建模的推荐模型具有更好的性能,且性能提升程度随着用户量的增多而增大,在用户量最多的Electronics数据集上AUC提升了1.8%。(3)基于Flask框架构建了一个具体的个性化电影推荐系统,该系统采用了上述基于图嵌入的召回模型和基于多任务学习的排序模型,能够针对用户历史的观影记录进行个性化推荐。