随着互联网技术的飞速发展,云计算、大数据、物联网和移动终端设备的普及,互联网上的各种数据层出不穷,引发了数据规模的爆炸式增长。普通用户接收信息的渠道也越来越多,被动地进入了内容过载和数据噪声泛滥的时代。人们在享受信息获取的便捷的同时也深受信息污染的困扰。基于这种情况,推荐系统就应运而生。目前应用最广泛的推荐算法是协同过滤算法。虽然协同过滤算法在多数场景下可以表现出不错的性能,但是其仍然遭受数据稀疏性和冷启动等问题的挑战。图神经网络作为深度学习的一个重要的研究分支,近些年来发展比较迅猛并成为近年来研究的热点。本主要是利用图神经网络来获取用户更多隐藏信息,有效的减缓推荐系统的冷启动和数据稀疏的问题。本文的具体研究内容如下:（1）首先针对传统的协同过滤算法的数据稀疏和冷启动的问题,引入知识图谱和卷积神经网络,在知识图谱中获取用户和项目的高阶关系,减缓数据稀疏和提高推荐系统的精确性。项目及其属性可以映射到知识图谱中,以丰富项目之间的相互关系。此外,用户和用户的交互也可以集成到知识图谱中,这使得用户和项目之间的关系,以及用户偏好,可以更准确地捕捉到。具体而言,该模型采用异构传播策略对两种信息进行显式编码,并应用卷积神经网络对不同的基于知识图谱的邻居的权重进行区分。实验表明,该模型相较于传统的协同过滤算法有明显的提升。在Book-Crossing、Movie Lens-20M和Last.FM三个数据集上相比于最佳基准模型AUC分别提升了3.1%、1.8%和1.0%;F1分别提升了2.7%、1.8%和2.2%。（2）为了进一步挖掘用户的潜在兴趣偏好,引入用户的多行为数据。通过使用图结构来表示用户的多行为数据,充分利用用户的不同行为数据。捕获不同的行为对用户的目标行为的不同影响。这可以减缓用户行为稀疏性的问题。同时还引入注意力机制,来区分不同的行为对目标行为的权重,从而提升推荐系统的性能。实验表明利用用户的多行为数据确实比使用单一行为数据的模型有明显的提升。对比最佳基准在Tmall数据集上平均提升分别为9%和16%;在Beibei数据集上平均提升5%和2%。