在互联网时代,人们所接触到的数据量已经远远超出了自身的数据处理能力,推荐系统作为解决此问题的一种高效的技术手段也因此得到了越来越多的研究。近年来,越来越多的研究开始将图神经网络（Graph Neural Network,GNN）应用到推荐系统当中。但是现有的基于GNN的推荐系统仍然存在着一些问题。首先,现有的基于GNN的推荐算法在计算中心节点嵌入表示时往往不注意区分邻居节点对中心节点的重要性,而且不注意区分用户对物品的评分值。其次,现有的基于GNN的推荐算法在学习节点嵌入表示时往往只向中心节点传递其一阶邻居节点的信息而忽略了其高阶邻居节点的信息。最后,现有的基于GNN的推荐算法大多只利用了用户的社交网络图和用户与物品之间的交互二部图,而忽略了物品之间所存在的联系。针对这些问题,本文提出了新的解决方法并在相关的数据集上进行了实验来验证所提出的方法的有效性。本文的主要工作内容总结有以下几点:1.提出了基于评分感知的深度GNN模型DGAT（Deep Graph Attention Network,DGAT）。在计算节点嵌入表示时,该模型严格区分了用户与物品之间的评分值,并使用图注意力网络（Graph Attention Network,GAT）来区分不同节点的重要性。该模型通过堆叠多层GAT来聚合中心节点的高阶邻居节点信息。在三个公开数据集上的实验结果证明了DGAT的有效性,同最优基线模型相比,DGAT将MAE值最多减少了2.74%,将RMSE值最多减少了2.98%。2.提出了基于物品关系感知的深度GNN模型DGAT++。该模型为物品建模了物品关系图。该模型在用户社交网络图、用户物品交互二部图和物品关系图中为用户节点和物品节点学习嵌入表示。同DGAT模型相比,DGAT++在三个数据集上将MAE值最多减少了1.77%,将RMSE值最多减少了0.74%。3.基于本文所提出的推荐模型,设计和开发了一个基于用户行为和社交关系的推荐系统,实现为用户进行商家推荐。