目前,伴随移动互联网的迅速发展和智能终端的快速普及,人们已经处于一个信息过载和爆炸的时代。信息的生产者持续的输出信息,信息的消费者不断的接受信息,由此产生了一些难题。信息的生产者难以将信息消费者想要的信息展示给他们,信息的消费者也无法从大量的信息中寻找到自己想要的信息。为了解决这个难题,技术人员开发了推荐系统。此后,推荐系统快速发展,在用户和信息之间架起了一道桥梁。推荐系统可以帮助用户寻找自己感兴趣的信息,也可以将信息展示给相关的用户,实现信息生产者和消费者之间信息的匹配。推荐系统已被广泛开发并应用于各种网站和平台,针对性地向用户推广产品或服务。在相当多的销售场景中,销售平台有向用户曝光一系列物品的需求,这就是套餐推荐,然而目前这方面的研究很少并且还有很多不足。本文基于图神经网络开发了一种新颖且实际的套餐推荐系统PGAT（Package Graph Attention Network的缩写）。PGAT将用户、物品和套餐整合在一起,构建一个统一的异构图,并将它们视为一个整体。PGAT在一阶邻域聚合操作中加入了注意力机制,可以学习不同邻居节点对中心节点的权重。通过对三部图进行图注意力和图卷积操作,PGAT可以更有效地学习节点嵌入,并在很大程度上解决数据稀疏的问题。在两个真实世界数据集上的大量实验结果验证了PGAT的出色性能,优于最先进的基线0.77%到10.12%。本文的研究内容和创新工作如下:（1）深入研究推荐系统和套餐推荐的原理;本文首先介绍了机器学习时代和深度学习时代推荐系统的研究概况,然后介绍了套餐推荐系统的研究现状。为了解决目前套餐推荐算法存在的问题,提出了基于图神经网络的套餐推荐研究方案,并介绍了主要相关的算法技术。（2）提出基于三部图的图神经网络套餐推荐模型（PGCN）;在用户-套餐交互的基础上,引入用户和物品的交互,套餐和物品的从属关系,套餐之间的相似度,构建用户、物品和套餐的三部图。引入物品节点并将其作为桥梁节点,能够引入用户兴趣的附加信息,进一步缓解用户套餐推荐的冷启动问题。将用户节点、物品节点、套餐节点组成的异构图统一为一个整体,模型可以充分挖掘和提取它们之间的联系,用于套餐推荐。（3）提出基于注意力机制的图神经网络套餐推荐模型（PGAT）;借鉴几何学习的最新进展,本模型引入图注意力网络和图卷积网络来模拟用户、物品和套餐之间的复杂关系,以解决套餐推荐问题。我们开发了两个不同的嵌入传播层,分别是多头图注意力层和图卷积层。多头图注意力层结合了一种注意机制来区分套餐中不同物品对用户决策的影响,可以提高嵌入的表达性能。由于过度平滑问题,多头图注意力层难以聚合高阶邻域节点并区分高阶邻域中不同节点的重要性。我们使用图卷积层来弥补它的缺点。（4）实验分析,并进行T检验验证性能提升。在两个真实世界数据集上进行的大量实验优于现有的最先进基线0.77%到10.12%,验证了我们提出的模型的有效性和先进性。此外,我们对实验结果进行了T检验,以显示改进的显着性水平。