推荐系统是解决信息过载问题的关键技术,推荐的重点在于预测用户偏好和拓宽用户视野。现有的推荐方法主要利用直接反映用户偏好的显式反馈信息或间接反映用户偏好的隐式反馈信息进行推荐。然而,显式反馈的推荐模型,一般无法考虑用户对打分机制的宽容度差异,在一定程度上会造成数据误差,从而影响推荐结果。因此研究者开始利用隐式反馈信息,但是在使用隐式反馈时,经常忽略那些用户不浏览或不点击的隐式负反馈数据,这类数据信息为更稠密,可以间接挖掘用户的隐藏偏好,缺点是不易获取,也更容易包含噪声数据。近年来,图卷积网络因其强大的建模能力得到了迅速发展,通过表征学习可以有效聚合用户与项目交互数据中一阶邻居信息。但是,目前大部分推荐模型直接继承了图卷积网络的复杂设计（如特征变换,非线性激活等）,模型结构较为复杂,训练参数量大,并且大多缺少对用户与项目之间高阶交互特征的建模。为了解决上述问题,本文提出了一种融合社交关系的轻量级图卷积协同过滤推荐模型（Lightweight Graph Convolutional Collaborative Filtering Recommendation Approach Incorporating Social Relationships,called for F-Light GCCF）。提出的模型在嵌入层通过图嵌入技术将用户、项目、朋友信息映射到低维稠密的向量空间,缓解了数据稀疏性对模型推荐结果带来的消极影响。在图卷积层通过堆叠三层图卷积层学习用户社交关系图的拓扑结构（即用户-项目-朋友高阶连接图）从隐式负反馈中产生一系列的间接反馈,通过分析用户行为和朋友亲密度间接捕获隐式负反馈,扩充了训练数据,提高了隐式负反馈的利用率。融合图注意力网络来衡量邻居的贡献值,为其自适应的动态分配权重,能够过滤噪声邻居使其具有鲁棒性,有助于选择最相关的信息,而不是所有可用的信息。此外,模型简化了图卷积层的复杂设计,摒弃了标准图卷积神经网络中特征变换和非线性激活的设计,降低了模型的训练难度,提高了模型性能。模型预测层设计了分层聚合机制将图卷积层学习到的多个嵌入向量加权聚合,并引入注意力机制自动学习第l层嵌入向量的重要程度,最后采用内积函数计算用户与项目之间的关联分数。通过在Gowalla数据集和Yelp2018数据集上开展实验,实验结果表明本文所提方法的推荐效果优于当前的推荐算法,结果验证了方法的可行性。与此同时,本文模型在Recall@k、Precision@k、NDCG@k指标上均显著优于其他基线算法,证明了模型设计的合理性。该论文有图41幅,表6个,参考文献99篇。