随着互联网技术的发展,每天都会产生海量的数据,而人们也从信息匮乏的时代跃迁到信息过载的时代。推荐系统作为用户与数据提供者之间的桥梁,缓解了信息过载的困境。它能够从用户的行为模式以及其他辅助信息中挖掘出用户的兴趣并为用户推荐信息。另外,随着社交媒体的发展,用户通过微博、微信等社交平台产生丰富的交互关系,如关注、转发、信任等,从而使得用户之间构成了一张巨大的社交网络。同时,用户对信息的偏好容易受到其在社交网络上的周围朋友的影响。将社交网络信息引入推荐系统能够缓解数据稀疏问题,提供更加准确的推荐结果。因此,如何充分融合社交网络以及用户与物品之间的交互信息和其他辅助信息从而更加准确地挖掘出用户的兴趣偏好成为一个十分重要的问题。基于此背景,本课题基于图深度学习技术,针对基于社交网络的推荐算法进行研究探索,主要包括以下三个方面工作:第一,提出了一种融合时序信息的社会化推荐模型,该模型以网络的视角对用户和物品建模。首先,提出了一种融合时间信息的图模型,完成了对时间间隔与社交网络等信息的统一建模;其次,利用自注意力机制对物品之间的时序信息以及时间间隔信息建模,以刻画用户动态变化的兴趣偏好;最后,通过图注意力机制建模用户的社交关系,刻画用户的兴趣偏好受其社交关系的影响。实验结果验证了该模型在基于会话的社会化推荐问题上的有效性和准确性。第二,提出了一种融合知识图谱信息的社会化推荐模型。首先,针对目标用户和物品从知识图谱中抽取出实体-物品子图,在该子图上传播聚合实体和物品的隐式表征;其次,在用户-物品交互子图上聚合用户历史购买行为的隐式表征获得用户的兴趣表征;然后,在用户的社交关系图上聚合其邻居的兴趣表征;最后,融合以上表征进行预测。实验结果验证了该模型联合解决属性推断及推荐问题的有效性。第三,设计并实现了一个推荐算法原型系统。该系统实现了推荐相关的模块并进行了功能测试,验证了平台以及相关算法的有效性。