推荐系统通过分析用户与物品的历史交互行为来获取用户的偏好,挖掘用户的潜在需求,进而向用户推荐其可能感兴趣的商品。在当前常见的农产品推荐系统中,大部分模型没有充分使用用户与农产品的评论、评分等交互数据,因此难以学习到较为准确的用户偏好,导致推荐效果不佳。条件生成对抗网络以生成对抗网络为基础,能够较好地拟合输入的数据的分布。为了学习更为准确的用户偏好,本文通过融合BERT与图卷积神经网络,从用户与农产品交互的评论信息中提取用户特征与农产品特征,再结合条件生成对抗网络进行推荐,以提高农产品推荐效果。论文在对农产品推荐模型、生成对抗网络相关研究进行系统分析的基础上,针对当前农产品推荐模型没有充分使用评论数据,难以准确地学习用户偏好的问题,提出了一个基于条件生成对抗网络的农产品推荐模型（Recommendation of Agricultural products based on Conditional Generative Adversarial Net,RACGAN）。本文的主要研究有:（1）融合BERT与图卷积神经网络技术的用户与农产品特征提取。针对当前农产品推荐模型未能充分运用用户与农产品的评论信息、未能较好地学习用户偏好等问题,本文通过融合BERT与图卷积神经网络以更好地运用评论信息,从中提取更高质量的用户与农产品特征。（2）构建基于条件生成对抗网络的农产品推荐模型RACGAN。为了更好地学习用户的偏好,提高推荐效果,本文构建了基于条件生成对抗网络的农产品推荐模型RACGAN,该模型主要由一个生成器和一个判别器构成。其中,生成器以用户特征和农产品特征作为输入,目标为预测用户与农产品产生交互的概率。判别器以用户特征和交互矩阵作为输入,目标为判断输入的交互矩阵是真实的还是生成器预测的。最终选取生成器预测的交互概率最高的部分农产品进行推荐。（3）通过在真实的农产品数据集上进行相关实验,探究了不同超参数对农产品推荐效果的影响,验证了本文所提出的基于条件生成对抗网络的农产品推荐模型RACGAN的有效性。同时,将RACGAN与当前其它的主流推荐模型在农产品数据集上进行了对比实验。实验结果表明,本文提出的基于条件生成对抗网络的农产品推荐模型,在推荐效果上相比于其它推荐模型具有一定优势。