近段时间以来,数据挖掘和预测分析技术已经无处不在地应用到了在我们的日常生活中,社交网络的兴起也为我们带来了极大的便捷。随着社交网络的用户规模呈几何级增长,与之相关的研究也在近期逐渐流行起来。社交网络中用户的行为可以对与之相关的其他用户行为产生影响,在潜移默化中对其他用户的思想或行为进行改造,因此除了为了留住用户,也是为了通过用户间的关系进行深层次的信息挖掘,对用户进行相关信息推荐极为重要。通过社交关系的推荐能更加方便企业根据用户的需求进行相关信息推荐和运营策略调整。因此,通过社交网络影响分析所进行的推荐是近些年具有发展潜力和应用价值的研究。近年来互联网技术的突飞猛进,使图挖掘技术也取得了长足进步。在图神经网络在处理图像数据时已经可以自然地整合节点信息和拓扑结构,使得其在图数据学习和信息挖掘方面功能异常强大。得益于图神经网络等图挖掘技术的上述优势,通过将数据转化为用户-项目图和用户-用户图,图神经网络数据挖掘技术的社交网络推荐应用拥有巨大的潜力。社交推荐同样面临诸多挑战,比如社交网络总是涉及多个图,例如用户-用户社交关系图和用户-项目评价图;社会关系具有不同的优势;如何处理用户和项目之间的交互及其关联的意见等。本文以网上公开的数据集为研究对象,针对以上问题,首先使用图卷积神经网络,并融合项目与用户关系聚合的方式,联合捕获用户项目图中的交互关系和意见来进行实验研究。先对用户进行建模,从用户-项目图提取出特征矩阵,同时根据用户-用户社交关系图提取出邻接矩阵作为输入,使用图卷积神经网络进行学习;然后对项目建模,用于学习项目的潜在因素,为了在社交网络图数据中同时考虑交互和观点,我们考虑以聚合用户观点的方式建模;最后通过联合集成用户和项目建模组件,来预测学习模型参数。随后针对图卷积神经网络的不足进行改进,根据社交数据集学习到的特征向量集作为输入,对用户进行建模时使用图注意力机制神经网络来进行学习;同时也使用用户聚合,将聚合用户的观点用于项目建模中;最后把用户隐藏因子和项目隐藏因子连接,完成评分预测的推荐任务。本文通过在开源社交网络数据集上的实验进行推荐算法模型的对比分析,利用平均绝对误差（MAE）和均方根误差（RMSE）作为评价标准,实验结果证明了本文提出的两种算法模型与传统社交推荐算法模型相比在一定程度上有所提高。