推荐系统是一种信息过滤工具,其目标是为用户推荐感兴趣的物品,它能够有效解决大数据时代信息过载的问题,为信息生产方和信息消费方搭建起双赢的桥梁。在推荐系统领域,图推荐模型以其强大的表示能力得到了广泛应用。图模型通常将用户物品交互记录构建成用户物品二部图,然后通过图卷积操作来挖掘用户物品节点的交互关系,最终实现精准的个性化推荐服务。得益于近年来深度学习技术的迅速发展,图推荐模型的推荐效果得到不断的提升。但是本文发现,现有的图推荐模型在效率和效能方面存在不足:1)表征用户和物品的参数矩阵参数量庞大,且表征向量维度对所用用户和物品相同,难以充分表示不同用户物品之间的异质性。2)用户物品交互图的规模往往十分庞大,使得图卷积操作消耗大量的计算资源,且容易受到交互图中噪声边的影响。针对上述问题,本文研究面向图推荐模型的彩票假设理论,分别对图推荐模型的表征矩阵和交互图进行轻量化。本文针对图推荐模型的两大不足进行如下探索:1.本文针对图推荐模型的表征矩阵提出一种剪枝方法,通过迭代的方式对表征矩阵参数进行裁剪,在减少参数规模的同时突破表征维度一致的局限。此方法不仅可以寻找到与原始稠密表征矩阵表示能力相媲美的稀疏表征矩阵（中奖彩票）,而且证明了中奖彩票广泛存在于图推荐模型的表征矩阵中。另外,相较于原表征矩阵,中奖彩票在时间、空间和推荐精准度上都有着明显的优势,在Yelp2018、TikTok和Kwai三个数据集上,中奖彩票分别只使用了 29%～48%,7%～10%,3%～17%的参数量,就能达到与原始稠密表征矩阵相近的测试表现。2.本文针对图推荐模型的交互图结构提出一种剪枝方法,通过迭代的方式对交互图进行裁剪,在减少图结构规模的同时缓解噪声边的影响。此方法基于1中方法进行改进,通过加入随机回退机制,克服了交互图剪枝过程的低容错性问题,提高了算法的稳定性和有效性。实验结果表明,此方法可稳定地找到与原交互图性能接近的稀疏子交互图（中奖彩票）。另外,相较于原交互图,中奖彩票可以大大降低模型的计算复杂度,在Yelp2018、TikTok和Kwai三个数据集上,中奖彩票在保证模型推荐精度的同时,分别为模型减少了 26.49%,58.23%,36.98%的计算量。