在移动互联网时代,爆炸式增长的在线内容使得人们深受信息过载问题的困扰。作为缓解信息过载的利器,推荐系统能够从用户-项目历史交互中挖掘用户的个性化偏好,以过滤掉用户不感兴趣的内容。众所周知,传统推荐模型通常面临着数据稀疏和冷启动等问题,因而近年来越来越多的研究关注于融合社交网络等辅助信息来对用户兴趣进行充分建模,以改进现有推荐算法。然而,本文通过研究发现,现有社交推荐算法还存在以下问题:社交域对用户兴趣相似度的一些基本假设易引入过多噪声、在建模用户特征时仅学习单一的用户表示、没有同时利用项目域和社交域中的高阶邻域信息进行充分建模等。为解决这些问题,本文基于图注意力网络和度量学习技术,从关系建模角度开展了融合社交网络和用户-项目交互信息来构建社交推荐模型的研究。完成的主要工作如下:（1）现有模型通常假设社交网络中相连用户具有相似的兴趣,然而这一假设可能引入过多噪声;此外,单一的用户向量表示无法满足对用户进行细粒度建模的需求。针对这两大问题,本文考虑从关系建模的角度来融合用户-项目交互和社交关系,并提出了基于图注意力网络的关系度量社交推荐模型RML-DGATs。该模型通过在项目域和社交域中分别设计的对偶图注意力网络（DGATs）来自适应聚合用户或项目的邻域信息,然后使用多层网络将对应邻域间的复杂交互建模成关系向量。基于两种关系向量,每个用户均可同时被映射为项目-感知和社交-感知的新表示,实现对用户偏好的细粒度建模。同时,分别提出了距离正则项和邻域正则项以更好地建模邻域特征,然后通过构建一个度量学习框架进行联合训练。（2）进一步地,考虑到项目域和社交域中的高阶邻域信息亦有利于挖掘更深层的用户-项目交互或社交关系,在RML-DGATs模型的基础上,提出了融合高阶邻域信息的关系度量社交推荐模型So HRML。为充分聚合高阶邻域特征,该模型在两个域中分别构建了一种对偶层级聚合（Layer-wise Aggregation）结构,通过堆叠该结构来不断自适应聚合相应的高阶邻域信息,进而建模成关系向量。通过构建矩阵形式的迭代聚合,能够在加速计算的同时避免邻居采样操作。同时,为了优化模型的训练效果,提出一种自适应边际值学习方法来构建损失函数,以更好地建模正负样本对之间的关系,完成在度量学习框架下的联合训练。（3）在Ciao、Epinions和Flixster等数据集上开展了详细的对比实验和结果分析。结果表明,相较于多个先进对比算法,本文所提出的RML-DGATs模型在多个排序指标上能带来1.91%-4.74%的性能提升。通过同时建模两个域中的高阶邻域信息,So HRML能够进一步提升模型的推荐性能。