推荐系统作为一种高效的信息过滤工具,可以有效地缓解“信息过载”问题。协同过滤是推荐系统中使用最广泛的算法,它通过用户的历史行为分析用户偏好,建模用户特征,为用户推荐感兴趣的项目。由于协同过滤需要使用用户的历史行为数据,而这类数据相对于项目数量往往很少,因此协同过滤容推荐面临着严重的数据稀疏问题。最近,由于用户与项目的关联可以构成天然的二分图,基于图神经网络的推荐越来越受到关注。通过用户-项目二分图和图卷积的方法可以有效地丰富目标节点的信息,缓解数据稀疏。但基于图网络推荐仍存在问题:一是图卷积模型过于复杂,在推荐任务中并不能充分发挥其特征变换与非线性激活的作用来挖掘潜在关联;二是在聚合节点信息时,平等地看待各类关系,将他们不加处理直接与目标节点信息进行融合,导致了最终目标特征表达的不合理;三是目前图卷积的消息聚合方式为显式的加和或拼接,这导致了模型训练效率受到影响,在数据集较大时训练变得非常缓慢。另一种缓解数据稀疏的方式是引入辅助信息,如用户的行为信息、时间戳或者用户评论、物品简介等,但是目前使用行为信息的推荐模型仅挖掘了不同行为间的联系而忽略了用户间行为的联系,导致了行为信息不能充分刻画用户兴趣,基于图网络的模型也受制于显式的消息传递算法,模型训练效率不高。针对目前基于神经网络的协同过滤推荐算法中存在的问题,本文的研究内容如下:（1）传统的协同过滤算法使用one-hot编码生成的特征向量信息量稀少,对异构行为数据仅挖掘不同行为间的联系而忽略用户间行为的联系。针对上述问题,文中提出基于异构邻域聚合的协同过滤推荐算法。首先,使用图对用户和项目的异构交互进行建模,并利用图的连通特性构建邻域。然后,使用轻量级图卷积方法整合邻域信息,融入目标用户和目标项目的特征向量。最后,将融合邻域信息的用户与项目的特征向量输入多任务异构网络进行训练,通过丰富特征向量信息的方法缓解数据稀疏问题。在数据集上的实验证实本算法的性能较优。（2）基于图卷积的推荐算法采用的消息传递机制效率不高,导致模型花费大量的时间训练以及传统推荐模型通常仅使用一种用户行为数据训练模型,而单类用户行为无法充分表达用户兴趣。针对上述问题,本文提出了一种融合隐式邻域关联与异构特征的协同过滤推荐算法。首先,通过图对用户与项目的异构交互进行建模,并通过图的连通特性构建邻域;其次,通过隐式邻域聚合算法使得目标特征向量中能够融合更高阶邻域的有效信息,并减少模型训练的开销;然后,通过隐式项目交互为不同的交互关系分配权重,更精确地描述不同关联对用户或项目的重要性;最后,将异构特征输入多任务异构网络,通过融合基于全采样的多任务损失与隐式邻域关联损失优化整个模型。在Movielen-1m,Beibei,Taobao三个数据集上进行实验,使用HR与NDCG指标对模型进行评价,本模型得到的结果对比同类型的其他推荐模型在性能与训练效率上有一定提升。