随着网络技术的发展,信息爆炸现象随之出现,使得用户在获取需要的信息时犹如大海捞针。信息爆炸不仅使用户获取信息变得困难,更造成了推荐数据的极度稀疏。个性化推荐作为一种可以帮助用户过滤海量信息、快捷获取需要内容的方法,由此应运而生。但是相对于海量的用户、项目来说,用户-项目的交互信息少之又少,这很大程度上影响了推荐的准确性,传统的推荐算法已经不足以满足当下人们的个性化需求。在推荐系统中,大部分数据本质上具有图结构。随着深度学习技术及图神经网络技术的发展,已经可以更好的处理图结构数据,个性化推荐也迎来了新的研究方向。但也因为图神经网络直接处理的是关系的抽象表达,给出的推荐结果有时不符合人类的理解,所以可解释性较差。本论文中提出了一种基于随机游走嵌入结合情感分析的图卷积神经网络推荐算法模型（GREA）,并为了进一步提升推荐效果,针对GREA进行了改进,得到了优化模型GREAs。其中GREA针对上面提出的问题结合具体分析,做了以下几方面的模型构建与研究:（1）针对于传统推荐算法中存在的特征提取方式复杂导致的可拓展性不佳,特征提取效果不佳的问题,使用了图神经网络技术进行特征提取。本论文根据用户-项目的交互方式可以构成图结构,对交互信息进行建模,利用图神经网络技术对交互图中的节点进行特征提取。（2）针对基于图神经网络的推荐系统中一直存在的可解释性差的问题,提出结合评论文本信息中的特征作为辅助信息,为推荐结果增加可解释性。本论文考虑到评论文本中对用户产生影响的部分在于评论中蕴含的语义与情感信息,所以通过对评论内容进行情感极性分析,引入注意力机制,得到各个节点与情感和语义信息均相关的个性化情感特征。（3）针对推荐系统中一直存在的数据稀疏问题,提出通过引入评论文本分析和基于随机游走的矩阵分解生成图卷积神经网络的初始图嵌入两种方式缓解数据稀疏。GREAs模型基于GREA模型的改进在于添加了评论文本内容提取模块,并引入注意力机制对图卷积神经网络和文本特征提取两方面进行改进。对于情感分析模块进行改进时,考虑到前章节中对于情感分析任务仅使用了浅层网络作为下游情感分析的网络层,提出结合深度的神经网络Bi-LSTM进一步提取嵌入后的文本上下文相关性,通过提升情感分析的准确性进一步提升推荐算法的准确性。最后,对于本文提出的模型GREA及其改进模型GREAs在三个真实数据集上进行了验证,均取得了高于基线模型的较好成绩。