在信息时代,推荐系统作为对抗信息过载的有效手段,已然成为生活中不可或缺的一部分。图数据结构广泛存在于各种推荐场景中,如表示用户与物品交互关系的二部图,用户之间的社交网络和物品的属性网络,这些数据从不同方面表达用户和物品的信息,并可以有效缓解图上连接稀疏问题。近年来图神经网络的发展及其在图表示学习中的优越表现,多种基于图神经网络的推荐方法应运而生。本文针对引入用户和物品辅助连接的复杂异质用户物品图,开展基于异质图神经网络的推荐方法研究,具体研究内容如下:（1）提出基于异质图卷积网络的推荐方法,图卷积网络（GCN）旨在学习图上有意义的表示,广泛应用于推荐系统中。但是GCN在层数变多时会遇到过平滑问题,这说明用户物品图上用户和物品之间的长路径对于推荐中的嵌入学习不是很有用,引入用户和物品的辅助连接可以有效缓解这个问题,但是这使得用户物品图变成了包含多种边类型的异质用户物品图。该方法首先引入用户-用户和物品-物品连接,构建异质用户-物品图,然后根据边类型将其分解为三个单一边类型的同质子图,同时保留异质用户-物品图以保持原始全局图结构信息。应用GCN从子图和全局图中学习用户和物品的向量表示。利用注意力机制整合来自子图和全局图的表示,获得最终的用户和物品表示,最后通过用户和物品表示预测用户喜欢物品的可能性。在三个公开数据集的大量实验表明,相比于现有方法,所提出方法的推荐性能有显著提升。（2）提出基于自监督异质图卷积网络的推荐方法,由于引入的辅助连接数据本身的稀疏性,以及现有基于异质图的建模方法通常是根据边类型将异质图分解为单一边类型的同质子图分别进行建模,这违背了缓解连接稀疏的初衷导致异质数据信息挖掘的不充分。该方法在异质用户-物品图上,构造局部视图和全局视图两个视图,利用在同质子图上学习的表示和在原始异质用户-物品图上学习的表示构建自监督异质对比学习辅助任务,捕获不同边类型代表的语义信息,并通过对推荐任务和辅助对比学习任务进行联合学习,生成更好的节点表示。该模型充分利用了异质图信息丰富的优势,生成了更具鲁棒性的用户和物品表示,进一步提升了推荐的性能表现。在三个公开数据集上的大量实验表明,提出的模型可以有效增强推荐系统的性能。