随着信息时代的发展,数据量呈海量增长的趋势,信息过载的问题日益凸显,推荐系统应运而生。推荐系统利用用户的历史数据,挖掘出用户的偏好,给用户推荐他们可能想要的信息。同样发展的还有推荐系统的技术,特别是深度学习技术迅猛发展,从处理图像数据的卷积神经网络（CNN）到处理序列信息的循环神经网络（RNN）,再到现在大热的图神经网络（GNN）。这些技术的发展,推动着推荐系统的发展。由于用户项目的交互可以被视为一种图结构数据,图神经网络天然地可以使用在推荐系统中。近年来,基于图神经网络的用户-项目推荐算法得到了广泛的应用。然而,现有大多数基于GNN的推荐方法在进行信息聚合时只使用邻居节点特征嵌入的加权和。这些方法假设邻居节点是独立个体,忽略了邻居节点之间可能存在的相关关系,从而导致捕获“共现”信号的失败。本文提出了一种新的基于图卷积网络和邻居交互网络的推荐算法（GCNNIRec）,来捕获邻居节点间可能存在的“共现”信号。具体来说,GCNNIRec包含两个聚合模块,即线性聚合模块和交互聚合模块。前一个模块对目标节点所有相邻节点的特征进行线性聚合,得到目标节点的表示。后者利用邻域间的相互作用来捕获邻居节点间的“共现”特征。为了进一步利用图的高阶信息和交互数据的序列信息,本文扩展了GCNNIRec模型（GCNNIRec-ext）,将线性聚合部分由一层网络扩展到多层来学习高阶信息,使用循环神经网络来学习时序特征,保留交互聚合部分来学习“共现”特征,再将这三者结合得到节点的最终嵌入表示,用于下游任务。本文在Yelp、ML-100K、Amazon等三个真实数据集上的实验取得了较优的效果。与文中几个经典方法进行比较,扩展模型的RMSE分别提升了5.8%、4.6%、2.9%,证实了GCNNIRec-ext的较优性能和在GNN中引进交互聚合模块所取得的性能改进,也证实了循环神经网络嵌入对模型性能提升具有较大的贡献。