推荐系统（Recommender Systems,RS）是一种个性化的信息过滤工具,能够有效地缓解信息过载问题。Top-N推荐是推荐系统中主要的应用问题之一,其目标是根据目标用户的历史行为（如浏览、点击、收藏以及购买等）和其他相关数据,对候选物品进行排序,并将排在最前面的N个物品推荐给该用户。针对Top-N推荐问题,现有的基于图卷积网络的协同过滤算法侧重于表示学习,往往忽视了对用户和物品匹配函数的学习,其常使用简单的点积运算来对用户和物品之间的交互行为进行建模。而现有的基于神经协同过滤的推荐算法则侧重于匹配函数学习,往往忽视了对用户和物品表示向量的学习,其常使用线性的嵌入层来学习用户和物品的表示。针对基于图卷积网络的推荐算法和基于神经协同过滤的推荐算法各自存在的问题,本文完成了以下工作:第一,本文提出了一种基于图卷积网络的协同过滤算法GCMF（Graph Convolutional Matrix Factorization）以及其变体 GCMF-n（Graph Convolutional Matrix Factorization with normalization）。该类算法认为不同的图卷积层包含了不同的语义信息,而这些信息对不同用户和物品的重要程度各不相同。因此,GCMF和GCMF-n提出为每个用户和物品学习不同的层聚合权重。第二,在GCMF-n的基础上,本文进一步提出了一种基于注意力机制的图卷积协同过滤算法 GCMF-a（Graph Convolutional Matrix Factorization based on Attention Mechanism）。该算法认为每个图卷积层的特征向量都是用户和物品的一种特征,在对用户和物品之间的交互行为进行建模时,不同用户-物品特征对的重要程度各不相同。因此,该算法提出使用注意力机制为不同的用户-物品特征对自适应地分配权重。实验结果表明,和其他对比算法相比,GCMF-a在推荐效果上取得了一定程度的改进。第三,在GCMF和神经协同过滤的基础上,本文进一步提出了一种基于图卷积网络和神经协同过滤的推荐框架 GCN-NCF（Graph Convolutional Network based Neural Collaborative Filtering）。该框架将表示学习和匹配函数学习结合在一起,先利用图卷积网络学习用户和物品的表示向量,然后再使用神经协同过滤框架学习用户和物品之间的匹配函数。同其他对比算法相比,GCN-NCF的实例方法取得了较好的推荐效果。