在大数据时代，“信息过载”是困扰用户快速有效的从互联网获取有价值信息的主要问题。推荐系统作为解决这一问题的有效方法，已经成为学术界和工业界的关注热点并且得到了广泛的应用。然而，由于数据规模以及数据多样性的与日俱增，传统的推荐算法已经达到了性能瓶颈，同时，随着深度学习技术在图像、视频、语音等领域的广泛应用，基于深度学习的推荐算法目前成为研究热点。因此，本文提出了基于图卷积神经网络的推荐算法模型，并利用局部采样和聚类算法对图卷积网络进行改进和优化。
　　本文主要研究基于图卷积神经网络的推荐算法，图卷积网络是一种针对图结构数据的深度学习模型，由于具有强大的表征能力得到了广泛应用。推荐任务可视为图结构数据中的链接预测问题。相比于传统的推荐算法，基于图卷积网络的推荐算法可以更好的学习表征数据对象的深层特征，从而提升推荐结果的质量。然而，随着数据规模的快速增长，现有的图卷积网络缺乏对于大规模数据的处理能力，同时对于未知节点的泛化能力也相对较弱。鉴于此，本文在现有技术的基础上进行改进和创新，提出了基于随机游走的局部采样算法对用户节点进行采样，通过生成局部计算图对模型进行训练，从而提高了图卷积网络对于大规模图数据的处理效率。并且本文还引入了节点聚类算法在模型预测阶段对用户节点进行聚类，利用聚类结果为新加入节点增加与已知节点的关联关系，从而提升了网络模型对未知节点的泛化能力。
　　本文利用MovieLens标准数据集对所研究的推荐算法及相应的改进算法进行了对比实验，利用均方根误差（RMSE）、准确率（Precision）和召回率（Recall）等评价指标对推荐算法的评分预测准确性和推荐结果的准确性进行了评估。实验结果充分验证了本文研究的基于图卷积网络的推荐算法的有效性以及相应改进方法对原有算法模型性能的提升。