传统的推荐算法通过分析用户和物品之间的交互数据建模用户对物品的偏好。受限于交互数据的稀疏,这类模型可能无法从数据中学到足够多的信息来准确的建模用户偏好。为了应对这种情况,学者们将用户和物品相关的其他信息加入推荐算法中作为交互数据的补充,社交网络推荐就是通过增加用户在社交领域中的信息来缓解交互数据稀疏问题的一类方法。目前大多数利用用户社交信息的推荐算法都只是利用了社交数据中用户和用户的直接社交关系信息（一阶联系）,这种方法存在着局限,因为社交数据同样存在着稀疏问题,此外,社交数据分布不均。社交关系非常丰富的用户和社交关系十分稀疏的用户都占据了所有用户的很大比例。这种分布使社交数据变得更加稀疏。当用户之间的一阶社交联系较为稀疏时,这些方法可能无法取得令人满意的效果。因此,只利用社交信息中的一阶联系是不够的。社交关系可以表示为图结构的社交网络,而深度学习中的图神经网络技术可以通过邻居聚合利用图结构中的高阶信息,这提供了利用高阶社交联系的方法。基于这些假设,本文做了如下工作:（1）本文提出了两个基于图结构的社交网络推荐模型。他们不仅将用户社交信息组织为图的形式以利用高阶社交联系信息,并且利用修正的余弦相似度分析不同用户对物品的共同评分数据,发掘物品之间的相似联系并组织成图的形式,通过这种方法构建的物品联系图不仅包含了物品之间的联系信息和高阶联系信息,也是用户和物品之间高阶交互信息的重要体现。通过对这些高阶联系信息的利用,可以极大的缓解算法面临的数据稀疏问题。（2）用户和物品之间的交互数据中蕴含了丰富信息的同时也含有大量与当前任务无关的噪声信息,为了更好的利用这些数据,本文利用注意力机制从用户和物品的交互数据中抽取和当前任务最相关的信息。（3）为了利用推荐数据中的高阶联系信息,本文在社交网络图和物品联系图上应用图卷积神经网络学习用户和物品的高阶特征表示。（4）针对经典图卷积神经网络无法灵活学习节点间影响权重的问题,本文使用图注意力网络来对模型进行改进;为了适应社交关系数据和物品联系数据中连接关系分布不均的特点,本文设计注意力模型为不同类型的节点学习不同的特征组合方案,灵活的整合节点在图上的各阶特征。（5）在两个开源数据集上与当前的经典推荐算法进行了对比实验,实验结果证明了本文提出的模型的有效性。