协同过滤技术由于其灵活性、高性能等特点被广泛应用在推荐系统中。传统的协同过滤方法基于矩阵分解的方式,对用户和产品表征进行建模,以获得用户对产品个性化的兴趣偏好,但是其性能往往受限于用户评分数据的稀疏性。近年来,随着图卷积网络的发展,基于图的推荐算法成为了研究热点。图卷积网络通过迭代式的邻居聚集方式将图结构信息编码在节点表征中,可以有效的缓解评分数据的稀疏性问题。尽管基于图卷积网络的推荐算法在推荐精度上有了很大的提升,但是仍然存在一些问题有待研究。首先是图网络节点存在属性不完整的问题,当前基于属性增强的推荐算法难以充分利用属性信息来提升模型性能。其次是训练和测试图结构不一致的问题,现有基于图神经网络的推荐算法大多是直推式的,难以测试于无任何记录的新用户（产品）,即归纳式的图推荐问题。针对以上问题,本文的研究工作主要包括:（1）提出一种基于自适应图卷积网络的联合产品推荐和属性推理方法。该研究工作通过构造带有节点属性二部图的方式,将已知的评分信息和属性信息融合在一起。针对属性缺失的问题,提出了自适应的图卷积网络模型AGCN（Adaptive Graph Convolutional Network）。该模型包括两个模块:1)图卷积模块根据前一轮迭代得到近似的属性值学习图网络参数;2)属性更新模块预测并更新属性值以进行新一轮的图卷积模块学习。因此,AGCN可以利用已知的属性值和估计的近似属性来动态的调整图网络参数,以便提供弱监督信息来完善属性推理和产品推荐这两个任务。真实数据集上的大量实验结果表明了所提方法的有效性。（2）提出了一种基于迁移学习网络的归纳式图学习框架。基于协同过滤的推荐算法并不能对新产品进行评分预测,因此难以扩展到归纳式的图上。针对该问题,本研究工作提出了一种基于迁移网络的归纳图推荐框架Trans GRec。Trans GRec框架由图神经网络和迁移网络两部分组成。图神经网络用于捕捉用户和产品之间的高阶相似性来实现更好的表征学习;迁移网络则提供知识迁移功能,用于实现从产品的内容信息到节点表征的映射过程,以解决图网络新节点无任何边信息的挑战。实验在真实的视频高光数据集验证了所提模型的有效性。值得注意的是,提出的框架可以扩展到任意基于归纳图的推荐问题上,以解决新节点在图中没有链接的问题。