随着大数据时代的蓬勃发展,“信息过载”是影响用户在互联网中快速有效地获得对自己有价值信息的关键因素。推荐系统的存在成为解决这一问题的有效途径之一,已成为当前学术界和商业界的研究热点并且成功应用在多个领域。但随着数据规模和大数据多样性需求的与日俱增,传统的协同过滤推荐模型性能表现欠佳,为了更细粒度的获取用户和项目的特征,引入了深度学习技术。与此同时,深度学习技术在各领域的成功应用如图像、文本、视频等,给图卷积神经网络（Graph Convolutional Neural,GCN）在诸多方面都获得了许多研究成果并提供了理论和实践支撑。推荐技术任务可以看作一种图上的链路预测问题。相较于传统的推荐算法,图卷积网络具有更强大的数据表征能力,可以更好地挖掘图结构数据中的隐式表征,从而有效提升推荐任务的精准性。推荐系统的核心目标是推测用户偏好从而主动为用户提供有价值有针对性的消息,协同过滤是推荐模型中经典且广泛应用的一种方法。但基于GCN的推荐方法仍存在以下问题:（1）GCN递归地聚合来自不同顺序邻域的消息,却难以区分来自不同节点的混合消息,使提取关键信息和剔除无用信息变得困难;（2）高度节点对表示学习有更大的影响,随着邻域聚合方案进一步扩大了观察边的影响;（3）容易受到噪声交互的影响以及过平滑等问题。这些局限性对推荐模型产生了很大的约束。根据上述阐述,本文基于图卷积网络协同过滤推荐算法,通过对节点邻域分层聚合和自监督学习辅助任务加强节点表征学习对图卷积网络进行改进和优化。本文提出一种基于改进图卷积网络的简易协同过滤推荐模型。与目前基于GCN的方法不同,本文首先使用简单GCN模型通过将消息从不同顺序的邻域中分离出来,分别汇总来自不同阶邻域的邻域消息,然后以分层方式将它们聚合用于协同过滤,抛弃GCN的非线性激活且无需引入其他模型参数。其次,还探索了在用户-项图上的自监督学习,该思想是用一个辅助的自监督任务来补充学习经典的推荐监督任务,然后将Dropout思想迁移至模型中,设计了三个数据增强算子:节点退出（Node Dropout）、边退出（Edge Dropout）和随机游走（Randow Walk）来生成节点子视图,以加强节点表征学习。除此之外还可以减轻过平滑的影响,同时也很好地防止了过拟合并提升了模型性能。最后通过对模型的分析和在三个不同的推荐算法数据集中进行实验,分析证明了本文所提模型的有效性,对推荐精度以及对交互噪声的鲁棒性都有所提高。