随着互联网、大数据、物联网以及社交媒体的不断发展,网络信息呈现出了爆炸式增长的趋势。为了吸引用户并给用户提供更好地体验,各大互联网平台相继推出了形形色色的推荐系统,其在现实生活中起到了举足轻重的作用。基于协同过滤（Collaborative Filtering,CF）的推荐系统是被广泛使用的经典模型,其表现稳定且高效,并具有良好的理论支撑。随着推荐场景的不断变化,基于CF的推荐模型经常面临数据稀疏和冷启动等问题。为此研究人员提出在进行推荐时利用丰富的附加信息进行数据增强,以缓解单独使用交互信息而遇到的数据稀疏等问题。目前,越来越多的研究正在利用深度学习的相关技术更进一步地来进行信息融合,为用户提供更合适、更准确的推荐。本文对推荐的相关方法进行了深入的分析和研究,结合图卷积网络（Graph Convolutional Network,GCN）和注意力机制改进推荐模型,同时对模型训练中存在的噪声问题提出了改进思路和方法,均取得了有效的实验结果。具体工作如下:首先,本文系统的介绍了推荐系统的定义、模型种类及其发展过程,主要包括基于CF的推荐模型、基于内容的推荐模型、混合模型以及最新的基于深度神经网络的推荐模型,并指出传统模型中存在的缺陷,为后续的模型设计提供基础。其次,针对传统的推荐模型面临的数据稀疏问题,本文提出了一种新的基于知识增强图卷积网络（Knowledge-Enhanced Graph Convolutional Network,KE-GCN）的推荐模型,其主要创新在于优化了注意力机制的相关算法以及采用了一种新的特征融合机制,最大限度上地在项目侧进行信息融合、丰富项目特征。实验证明该模型取得了较好的推荐效果。最后,针对KE-GCN推荐模型在训练阶段遭遇的噪声问题,本文提出了一种基于自适应降噪训练KE-GCN的推荐方法,在该模型上实现了自动地降低假阳性交互对实验造成的负面影响。实验结果显示该方法在提升推荐准确率的同时,有助于减少筛选数据花费的人力和时间。