本文针对传统推荐算法中用户兴趣会随着时间变化发生兴趣漂移的现象,运用时序信息作为一种辅助信息,通过对一定时间步长的用户行为信息进行分析,挖掘出用户最近的兴趣喜好。通过使用时序信息有效地缓解用户兴趣漂移的问题。本文针对传统社会化推荐算法中只考虑社会兴趣从而忽略用户本身兴趣的问题,将用户自身的兴趣与社交网络中受到社会影响后的兴趣进行结合,构成用户最终的兴趣,并根据此兴趣对用户进行项目推荐。通过在社会化推荐中加入用户自身兴趣以解决忽略用户本身兴趣的问题。本文通过应用图卷积神经网络,结合时序信息、用户行为信息和社交信息,提出了基于时序信息的社会化推荐的算法,并根据该算法设计并实现了一个社会化推荐系统原型。本文的主要研究工作包括:1.对推荐算法、时序推荐、社会化推荐等算法的研究现状进行了阐述,根据每种推荐算法的优点与不足之处,提出了本文的主要研究内容和创新点,对本文研究的问题和现实意义进行了阐述。2.对于时序信息、社会化推荐、图卷积神经网络的相关内容进行了介绍,在相关理论的基础上,根据一定时间步长的用户的会话信息得到历史行为数据进一步分析用户的兴趣,又结合用户兴趣受到朋友影响的理论,阐述了基于会话的图卷积神经网络算法,描述了算法的框架和实现流程。在Douban、Delicious和Yelp三个数据集上与其他不同类型的推荐算法进行比较,使用了Recall@K和NDCG两个排序的度量标准进行评估,对实验结果进行分析。还针对用户兴趣以及社会化影响进行了对比实验,分析出对于用户当前的兴趣和他的社交属性进行建模是至关重要的,能够有效地提高推荐系统的推荐准确度和性能。3.通过对本文提出的推荐算法进行研究分析,将社会化推荐算法应用到豆瓣的资源推荐中,考虑豆瓣未将社交资源应用到资源推荐中的问题,提出了新的社会化推荐应用场景,以豆瓣网页版为参照,设计并实现了一个社会化推荐系统原型;并对推荐系统的需求分析、总体设计、功能模块进行了详细描述,最后模拟了新用户在本系统中运作的过程。