随着网络信息总量的爆炸式增长,高效而准确个性化推荐系统成为了眼下的一个研究热点。通过将历史评分数据作为用户的隐式反馈引入到矩阵分解模型中,SVD++成为了个性化推荐系统中最有效的协同过滤模型。尽管SVD++展现出了强大的推荐能力,它仍然存在着两个主要的局限:(1)只有用户侧的隐式反馈被利用到了模型中,对应于物品的隐式反馈信息并没有被考虑进来;(2)在SVD++模型中,所有有过交互的物品在作为用户的隐式反馈时都被给予了相同的权重,却没有真实准确反映出用户对于不同物品的偏好。为了解决上述局限,本文分析了已有模型对于用户-物品二部图结构信息的利用,并在此基础上提出了基于图结构的协同过滤(Graph-based collaborative filtering,GCF)模型,基于图结构的加权协同过滤(Weighted Graph-based collaborative filtering,W-GCF)模型与基于图结构的注意力协同过滤模型(Attentive Graph-based collaborative filtering,A-GCF)模型。GCF模型将物品侧的隐式反馈包含到模型中;W-GCF模型通过矩阵分解对每个隐式反馈的权重进行动态调整,验证了权重机制的可行性;A-GCF模型通过深度学习实现权重机制,进一步增强模型的推荐能力。NetFlix数据集上的实验结果显示,本文提出的模型在未显著增加复杂度的情况下,获得了超过了已有模型的表现。在隐式反馈较稀疏的场景下,本文还首次在模型中引入二步隐式反馈信息,解决了稀疏隐式反馈给已有模型带来的推荐性能的损失问题。