捆绑销售旨在向用户推荐捆绑的商品包,具有着重要的营销价值。互联网技术的浪潮推动了对捆绑销售场景的研究,根据不同的捆绑销售场景,将推荐任务划分为商品包推荐、合购者推荐和多任务推荐,并在图神经网络的框架下,推进对这三个推荐任务的研究。主要内容有:（1）针对向用户推荐捆绑商品包的问题,本文提出了模型IHBR。模型根据用户的对捆绑商品的购买意图探究了商品之间的共购、共现关系,使用自注意机制学习商品依赖性,通过层级结构学习商品、捆绑包和用户的表示向量。基于GCN,设计了节点传播网络中的偏好迁移范式以捕获用户对商品和捆绑包的偏好间的相互影响。最后,将用户、捆绑包表示向量以及其哈达玛积级联,输入多层神经网络获得预测得分。实验结果证明模型在不同的数据集上的优越性。（2）针对向用户推荐捆绑合购者的问题,本文提出了模型MBundle,将捆绑场景下的合购者推荐任务定义为一个少量样本学习问题。通过用户-商品交互数据（U-I）、用户-捆绑包交互数据（U-B）、捆绑包-商品交互数据（B-I）,模型MBundle定义了元路径UIU、UBU、UIBIU、UBIBU。在元训练阶段,在支持集上采样多个用户-合购者,利用GCN和门控机制进行学习得到了用户间的共同偏好。MBundle定义偏好元模型,针对不同元路径对模型参数分别进行优化并使用注意力机制融合,更新偏好元模型,在查询集上计算损失函数和梯度,在元测试阶段进行推荐预测。实验结果证明模型在不同的数据集上的优越性。（3）针对同时向用户推荐捆绑商品包和合购者的问题,本文提出了模型MTR4BP。模型利用GCN在由用户-捆绑包交互构成的超图上学习得到用户、捆绑包以及用户对捆绑包偏好的向量表示。针对多个任务间存在序列依赖的关系,设计信息迁移模块对用户的序列依赖性进行建模得到当前方法下用户对捆绑包的偏好,将两种方法中的用户对捆绑包的偏好进行对比学习。此外,对不同任务的梯度进行规范化并进行推荐预测。实验结果证明模型在不同的数据集上的优越性。本文探究了捆绑销售场景下的三种推荐任务,在图神经网络的框架下提出相应的推荐模型,对丰富捆绑营销的应用场景具有前瞻性意义。