随着互联网的蓬勃发展,各种各样的APP雨后春笋般地出现在广大人民的日常生活中。几乎每一款APP中都有推荐功能,需要快速从庞大的数据库中选出符合用户需求的信息,为用户提供个性化服务。这类数据存在不规则、无序等特点,即每一位用户交互的信息数目不一样,用户间不存在排列顺序,给传统的深度学习模型带来挑战。因此,本文以物品推荐为例,从异质图神经网络的角度对个性化的推荐方法展开研究。为了解决现有推荐方法仅聚焦于用户感兴趣的物品（正向物品）而忽略用户不感兴趣的物品（即负向物品）的问题,提出了结合用户正向兴趣建模和负向兴趣建模的异质图模型。其中,“用户-负向物品”的关系是区别于“用户-正向物品”的异质关系。以用户特征和物品特征分别构造用户节点和物品节点,并根据用户和物品的交互记录构造用户节点和物品节点间的边,得到“用户-物品”二部图结构。分别对具有正向关系和负向关系的二部图结构建模,并用多任务学习模型将两者进行结合,得到更全面的用户兴趣。为了验证所提出方法的有效性,在两个公开的数据集上进行了实验。实验结果表明:所提方法比现有流行的推荐模型NGCF（Neural Graph Collaborative Filtering）效果更好。在Movie Lens-1M数据集上,AUC（Area Under the Curve）指标提升了0.51%,ACC（Accuracy）指标提升了0.32%。在Lastfm-1K数据集上,AUC指标提升了0.68%,ACC指标提升了0.31%。为了捕获同类节点间（用户和用户间、物品和物品间）的隐式协同信号,提出在图卷积网络中,引入区别于“用户-物品”关系的同类节点间的异质关系,构造用户异质图和物品异质图。理论研究表明,具有同类节点间关系的用户或物品,含有隐式的协同性,即倾向于和相似的物品或用户发生交互,而这种性质在二部图结构中不能体现。构造同类节点异质图有助于捕获隐式协同性。引入和节点相关的外部知识,能丰富节点本身具有的信息,进一步增强推荐的准确性。实验结果表明,引入同类节点关系和外部知识后,相比于NGCF模型,在Movie Lens-1M数据集上,AUC指标提升了1.14%,ACC指标提升了0.99%。在Lastfm-1K数据集上,AUC指标提升了1.14%,ACC指标提升了0.71%。