推荐系统可以帮助用户简化决策,改善用户体验,增加用户对平台的粘性。协同过滤是最重要的推荐技术之一,但它面临两大挑战,即数据稀疏性和冷启动问题。虽然将辅助信息融合到推荐模型可以缓解这两个问题,但大多数模型很难捕获用户与项目之间的历史交互信息。此外,现有的推荐模型不能灵活地集成多种类型的结构化辅助信息,也不能充分地捕获实体之间的异构信息。本文借助图神经网络（Graph Neural Networks,GNNs）强大的传播和表达能力,提出了一种基于多图神经网络的推荐系统框架,并在其基础上对一些模块和技术进行了改进。本文主要完成了以下工作:（1）提出了一种多源辅助信息融合的新型推荐框架——GSICF。GSICF由多个部分组成,包括图数据构建、模型构建、模型评估以及讨论与分析。实验表明,GSICF有效且灵活地集成了用户社交网络、用户-项目交互数据和项目结构化属性等结构,具有较好的适用性、扩展性以及可解释性。各类辅助信息可以相互影响、相互促进,进而提高推荐系统的性能。此外,该框架可以充分捕获用户和项目的结构化辅助信息,有效地提取用户和项目的高阶交互,弥补现有方法在表示用户相互关系时的不足。（2）为GSICF添加了基于Trans D的嵌入模块。为了让推荐模型学习更优的用户和项目嵌入表示,本文在模型中添加了基于Trans D的嵌入模块。该模块不仅可以起到预训练的作用,而且可以与GNN共同构建多任务学习模型。同时,该嵌入模块还可以区分实体之间不同的连接关系,捕获异质图中的异构信息。嵌入模块和GNN传播模块相辅相成,共同促进推荐系统性能。本文的其它工作还包括:为GSICF设计了两种新的GNN聚合器,可以传播更丰富的邻域信息;为GSICF设计了一种图注意力机制,以针对特定关系区分不同邻居节点的重要性;在特征传播过程中进行线性传播,使模型更加简单;使用了一种新的预测层,即记录GNN中每一层节点的嵌入表示,以此缓解基于GNN推荐模型的过平滑问题,有利于捕获用户远距离潜在兴趣。