随着互联网的蓬勃发展,出现了很多在线交易平台,电商购物逐渐成为人们的重要消费方式。新冠疫情的出现使线下购物受到了限制,线上购物成为消费者疫情期间特殊的消费方式。电子商务带来便利的同时,也带来了信息过载问题,低效地海选商品既浪费了时间,又降低了商品流通效率。因此提高商品推荐精度,具有特殊的研究意义。商品推荐已经成为缓解电商购物信息过载的重要方式,受到研究者的广泛关注,仍存在着推荐精度、数据稀疏、数据随机性等问题需要改善。链接预测提供了新的解决思路,电商购物中的商品推荐问题可映射为用户—商品二分网络中的网络链接预测问题。二分网络结构能体现出商品和用户的交易关系,网络的潜在连边对应用户今后的购买商品。如何有效利用网络链接预测方法预测用户—商品二分网络中的潜在连边,是电商推荐网络化的重要研究内容。本文梳理了网络链接预测及推荐方法的研究成果,介绍了网络链接预测相关知识,提出了基于图自编码器的链接预测模型,而后针对推荐场景的特点将模型进行调整,提出了基于图注意力网络的电商智能推荐模型,并在亚马逊电商数据上进行了推荐模型的应用和分析。本文研究工作主要有以下几个方面:（1）首先介绍了网络链接预测和推荐技术的研究现状,对复杂网络以及链接预测的基础理论进行了论述,并对图神经网络的概念和分类进行了介绍。（2）本文提出了基于图自编码器的链接预测模型,根据已知的网络结构对节点的特征向量进行编码学习,并对学习后的节点特征进行解码,探索节点特征和节点间形成链接的统计规律,分析拥有何种特征的节点之间容易形成链接。对社交网络数据集进行了实验,实验结果说明基于图自编码器的链接预测模型提高了预测精度。（3）针对数据随机性问题,本文提出了基于图注意力网络的电商智能推荐模型（ERM-GAT）:（1）为让模型能够预测出用户对商品的评分,本文为二分网络附加了评分信息,使每条链接都有一个评分标签。模型可以依据相应的评分信息对二分网络进行链接预测。从而依据评分对未购商品进行排序后得到推荐列表。（2）由于用户历史记录的随机性,简单的编码学习不能避免无效数据的干扰,本文使用图注意力网络对节点特征进行智能学习,主动降低数据集中的无效记录的权重,提高电商推荐的智能性。（4）介绍了目前国际电子商务平台的现状及亚马逊平台的发展,并在亚马逊电商数据上进行了推荐模型的应用和分析。针对商品节点特征初始化的低效问题,本文提出了基于情感分类模型的节点初始化方法,依据商品描述文本和评价文本之间的情感差异,学习商品节点的特征向量。在应用中与基于随机游走、局部信息、协同过滤（MF）、Item2vec的模型进行了对比分析。应用结果证明ERM-GAT模型能够较好的完成推荐任务,准确度比其他模型有明显提高,并有效降低了数据随机性问题对推荐结果造成的影响。综上所述,本文将商品推荐问题转化为链接预测问题,利用两种图神经网络结构（图自编码器和图注意力网络）的相互辅助,实现了商品智能推荐。通过亚马逊电商平台数据上的应用证明了本文模型的有效性,并根据结果为电商平台提出了建议。