个性化推荐系统是解决信息过载的重要手段,通过对用户历史行为日志、用户个人信息、物品属性信息进行分析和挖掘,学习用户的兴趣偏好并主动为用户推荐可能感兴趣的物品。推荐算法是个性化推荐系统的核心,很大程度上决定了推荐系统的性能。传统的推荐算法一般作用于结构化数据,对于非结构化数据中的特征提取不够充分,限制了推荐结果的准确性。推荐系统中存在着多种非结构化的图结构数据,而图神经网络在的图结构数据上表现出了强大的特征提取能力,这为推荐算法研究提供了新的思路。本文研究基于图神经网络的推荐算法,设计有效的图神经网络,应用于多种推荐场景中,以提高推荐性能,具体工作如下:（1）提出了一种基于组合多感受野图神经网络的物品评分预测方法。该方法整体为端到端的结构,首先将用户-物品评分矩阵转化为用户-物品二部有权图,然后通过多个具有不同大小感受野的图卷积层得到用户节点和物品节点的多阶嵌入表示,并将其组合得到用户和物品的最终嵌入表示,最后使用用户和物品的最终嵌入表示通过双线性解码器得到用户对物品的评分。实验结果表明,该方法在一定程度上缓解了图卷积神经网络中容易出现的过度平滑现象,相比多种现有物品评分预测模型,该方法能够更加充分地捕获用户和物品间的结构特征,得到更加准确的用户嵌入表示和物品嵌入表示,从而提升了评分预测的准确性。（2）提出了一种基于多层次影响力扩散网络的社会化推荐方法。该方法通过融合层得到用户的初始嵌入表示和物品的最终嵌入表示,并通过由多个图卷积神经网络构成的分支组成多层次影响力扩散模块,用于模拟用户社交影响力在社交网络中的扩散过程,并通过注意力机制得到用户的社交嵌入表示,同时与由用户的历史喜好得到用户的兴趣嵌入表示进行对应元素求和得到用户的最终嵌入表示,最终通过用户最终嵌入表示和物品最终嵌入表示为用户生成推荐列表。实验结果表明,该方法能够更加准确地模拟影响力在社交网络中的扩散过程,得到更加准确的用户嵌入表示从而提高推荐的准确度,相比多种现有的社会化推荐方法,该方法能够为用户生成更加准确的推荐列表。（3）提出了一种基于相异时间步长多门控图神经网络的会话推荐方法。该方法首先将会话序列构建为会话图,然后通过多个不同时间步长的门控图神经网络捕获物品间复杂的转移关系,得到物品节点的多阶嵌入特征,采用长短时记忆网络对物品节点的多阶嵌入特征进行聚合,最后通过注意力机制得到用户的通用兴趣偏好,并与用户的当前兴趣偏好组合得到会话级的嵌入表示,从而为会话生成推荐列表。实验结果表明,该方法能够对物品间复杂的转移关系进行更准确的建模,采用长短时记忆网络聚合方式有效地缓解了图神经网络中的过拟合问题,得到更为准确的物品节点嵌入表示和会话嵌入表示,相比多种现有的会话推荐方法,该方法能够生成更准确的推荐列表。