针对目前推荐算法存在的问题,本文对社交化推荐场景中的推荐方法进行研究,设计了两个基于图神经网络的社交化推荐算法框架,实现提高召回率、优化排序结果的目的。本文的主要研究内容如下:1.基于多图注意力融合的社交化推荐算法。图神经网络技术在社交化推荐领域中有着广泛的应用。然而,随着扩散深度的增加,它往往会导致过度平滑问题,从而抑制其性能。本文提出了一种基于相似性的多关系注意力网络用于社交化推荐场景。提出的模型有三个显著的特点:（1）它试图通过使用用户间的社会关系和项目间的同质关系作为补充信息来缓解社交化推荐场景中的数据稀疏性问题;（2）它具有迭代聚合结构。在用户和项目建模中,引入了四个聚合操作来分别处理两种不同的扩散过程,能够模仿用户-项目域中的高阶兴趣扩散,用户域和项目域中的高阶影响扩散;（3）它设计了两种注意力机制,能够在构建用户和项目嵌入时区分重要性权重。具体而言,节点级权重指出了每个交互连接的强度,图级权重关注如何平衡社会影响和兴趣影响。在两个具有代表性的大规模数据集上进行的实验表明,该算法的性能明显优于以前提出的方法,相比于最优基线分别有5.7%HR@10和6.8%NDCG@10的增益。此外,提出的模型可以缓解过度平滑问题,通过增加扩散深度可以进一步提高其性能。2.基于门控图神经网络的社交化推荐算法。基于会话的推荐问题旨在预测会话内用户的下一步行为,先前的方法只利用会话序列中相邻项目的转换信息来构建序列模型,不足以捕捉会话中频繁的共现行为。为了获得更准确的会话嵌入并考虑项目间的复杂转换模式,本文提出了一种基于会话的图注意力网络用于社交化推荐场景。提出的模型有三个显著的特点:（1）它将会话序列建模为会话图,并使用门控图神经网络对目标用户在当前会话中的交互行为序列进行建模,提取会话图的局部和全局信息,得到用户的动态偏好表示;（2）它区分了社会影响中的短期偏好与长期偏好,每个朋友的短期偏好通过自身会话图的图嵌入表示,长期偏好则被编码成一个可学习的个人嵌入向量。使用非线性变换整合上述的长短期表示,得到该朋友最终的偏好表示。（3）它将当前用户的偏好表示与其朋友们的偏好表示相结合,使用注意力机制来区分不同朋友的社会影响力贡献,得到上下文相关的社会影响力信息。该方法可以有效地扩展到大型数据集,在三个公开数据集上的实验结果显示,该模型的精度明显优于所有先进基线,展现出了较好的推荐性能。