推荐系统已经成为了互联网必不可少的组成部分,为网站和用户带来了巨大的利润和便利,因此探索更好的推荐算法成为了研究热点。推荐算法的核心在于挖掘用户和物品的特征,协同过滤思想认为用户和物品的交互历史中存在丰富的信息,可以从中建模用户的兴趣偏好以及物品特征。虽然在众多推荐算法中取得了优异的成绩,但协同过滤算法仍存在一些问题,例如对用户和物品的建模不够精确,以及稀疏性和冷启动问题。本文的主要内容是基于图结构的推荐算法研究,主要研究目标是利用图结构和图神经网络来解决上述问题。主要包含以下两部分:1)提出基于图神经网络的显式反馈模型。协同过滤算法通常将用户和物品的交互历史表示为矩阵形式,每次更新模型仅涉及到当前用户和物品,忽略了用户和物品的交互历史。不同于这种表示方式,本文采用图结构描述用户和物品的交互历史,构建用户-物品交互图。在交互图中,节点的邻节点即为交互历史,因此以用户或物品节点为中心的子图可以用于刻画该用户或物品的特征。本文采用图卷积网络来处理用户-物品交互图,通过提取子图特征来为用户和物品生成表达能力更强的隐式特征向量,从而提供更精准的评分预测。实验证明,本文方法在评分预测任务上的表现显著优于对比方法。2)提出基于知识图谱的TOP-N推荐算法。推荐系统中常采用辅助信息来缓解协同过滤算法所面临的稀疏性和冷启动问题,而知识图谱作为目前最重要的知识表示方式可以为物品提供丰富的属性信息。在知识图谱中,往往用于表示实体和概念的节点非常多,而用于描述节点关系的边的种类非常少,往往不足以表示节点之间的隐藏关系。本文将知识图谱的学习与推荐算法结合,在利用由知识图谱所提供的连接的基础上,充分挖掘知识图谱中节点的相关性,从而在推荐过程中更充分的利用地利用知识图谱。实验表明本文方法在点击率预测以及召回任务上均优于对比法方法。