随着大数据时代的到来,互联网上数据的规模极速膨胀,海量数据逐渐导致了用户很难及时准确地发现其感兴趣的信息,即信息过载现象。传统的门户网站已经无法满足时代发展的需求。因此,如何帮助用户从海量信息中发现其感兴趣的信息已经成为一个迫切需要解决的问题。推荐系统已经成为大数据时代帮助用户挖掘其偏好的有力工具,也创造了大量的经济价值。当下流行的基于图的推荐模型,能将用户、物品、属性等各种重要对象,以显示或隐式的方式连接,甚至能体现不同重要程度的连接,能很好降低非重要信息所带来的误差,以实现更好的推荐效果。在实际推荐场景下,尽管用户的偏好或者项目（也称“商品”）的特性都是相对稳定的,可以通过用户与项目的历史交互来捕获。但是,用户对项目存在误触的点击行为,这实际上是噪音信号。如何对用户-项目交互进行降噪并学习精确的用户偏好是推荐系统的基本需求。基于上述分析,本研究将用户和项目之间的交互建模为二部图,并开展了如下的研究:1.从图信号处理的角度设计了一种基于图上低通滤波的推荐模型（Recommendation via Low-pass Filtering on Graphs,LFG-Rec）,其可以抑制和过滤高频噪音交互并筛选出低频的用户偏好,进而提升后续推荐任务的效果。进一步的,本文将其扩展为图上的高阶低通滤波器,来实现对高阶交互中的噪音信号进行过滤。最后,两个公开数据集Movie Lens 100k和Movie Lens 1M上的大量实验验证了所设计模型的有效性。2.受注意力机制启发,本文在图神经网络的框架下设计了一种新颖的双级别过滤增强的推荐模型（Bi-level Filtering GNN for Recommendation,BFG-Rec）,其核心设计包括节点级别和阶数级别的交互信号过滤增强。具体的,节点级别过滤机制通过自注意力机制对交互邻居进行权重学习,而阶数级别过滤机制则实现了不同阶交互的加权混合。最后,在两个公开数据集Movie Lens 100k与Film Trust上的大量实验验证了所设计模型的有效性。