随着在线信息爆炸式增长,推荐算法在缓解信息过载方面发挥着越来越重要的作用。推荐算法旨在利用能够获取的数据信息为用户提供准确多样的服务。另外,近年来图神经网络的研究逐步兴起,其可学习到图数据中节点信息和拓扑结构信息,并在多种领域得到了广泛的应用。而推荐算法中使用的信息大多具有图结构,因此图神经网络非常适合推荐算法。本论文将基于图神经网络进行社会化推荐算法和知识图谱推荐算法的研究。对于社会化推荐,主要涉及的数据是用户与产品的交互关系数据以及用户与用户之间的社交关系数据。现有的社会化推荐算法,对用户与产品、用户与用户之间交互的内在因素建模不够充分,而且大部分算法没有针对不同用户或产品进行差异化处理。针对这些问题,本论文提出了图注意力记忆社交网络算法,该算法由注意力记忆模块、注意力聚合模块和模型预测模块组成,其中注意力记忆模块捕捉用户对产品内在的多方面偏好以及用户对用户的多方面影响,注意力聚合模块基于图神经网络聚合邻域节点的信息,并利用注意力机制区分具有不同强弱关系的用户或产品对目标用户的不同影响,最终通过模型预测模块完成用户对产品的评分预测。实验结果表明,与主流的社会化推荐算法相比,图注意力记忆社交网络算法降低了约2%的预测误差,在推荐性能上有所提升。对于知识图谱推荐,其所涉及的知识图谱数据具有多样的节点类型和多种关系的连接结构。现有的推荐算法对于这种具有复杂结构的异构图数据的信息提取能力不足,不能深入地挖掘知识图谱中丰富的知识信息。针对这些问题,本论文基于图神经网络提出了知识图谱增强的双线性图卷积网络算法。该算法利用经精巧设计的信息传播层聚合图数据中目标节点的邻域节点信息,捕捉目标节点的邻域节点之间的相互影响的信号,利用知识图谱中产品节点的多关系属性实体节点信息增强产品节点的嵌入向量表示,堆叠多层信息传播网络,聚合多跳邻域节点信息,探索高阶连通性信息。实验结果表明,知识图谱增强的双线性图卷积网络算法相对于主流的知识图谱推荐算法在多种推荐指标上有2%～9%的提升。本论文提出的基于图神经网络的推荐算法可应用于视频推荐、智能营销、智慧旅游等应用场景,为用户提供准确的个性化推荐服务。