近年来,随着移动互联网的迅猛发展,人们步入了信息爆炸时代。推荐系统作为缓解“信息过载”问题的有效手段之一,不仅可以快速地为用户提供感兴趣的信息,同时也蕴藏着巨大的商业价值。矩阵补全（Matrix Completion）是构建推荐系统的核心技术之一,其目标是对含缺失值的矩阵进行填充。在评分数据高维稀疏的背景下,本文主要针对基于传统矩阵分解的以及基于深度图神经网络的矩阵补全推荐方法存在的局限性展开研究,并受局部关联建模启发,提出了两个基于局部关联建模的改进矩阵补全推荐模型。首先,针对基于传统矩阵分解的矩阵补全模型预测精度不高问题,本文提出了一个基于聚类信息和级联残差的矩阵补全推荐模型。该模型利用相似用户以及相似项目具有相似性质这一特点,采用聚类方法分别对其进行聚类。然后提取和学习相似用户以及相似项目的局部关联信息,即聚类特征,并将其与全局标识信息（ID特征）相结合,从而增强独立用户和独立项目特征表达能力。此外,为了更好地逼近真实评分,引入级联残差学习机制来优化初始预测结果。在真实数据集上进行大量实验,结果验证了所提方法的有效性及优越性。其次,针对基于深度图神经网络的归纳式矩阵补全模型在局部子图结构中,对邻居节点进行信息聚合时采用固定权重方式存在的局限性,即目标节点对所有邻居节点赋予同等的依赖关系,本文提出了融合边信息的图注意力网络推荐系统。该模型在局部子图结构上利用图注意力网络,实现在消息聚合时依据重要性为邻居节点特征分配权重的策略。同时,考虑在节点匿名标记的局部子图上直接利用图注意力网络建模矩阵补全任务,忽略了边信息,导致预测结果随机性问题,本文提出在图注意力网络层中显式地引入边特征表示,以达到区分不同边类型的邻居节点的效果,从而更好地聚合到目标节点上。大量实验表明本文所提模型在多个数据集上的模型预测准确度明显优于目前最先进的方法。