推荐系统中用户数和项目数的激增使得用户-项目交互数据十分稀疏,数据稀疏问题极大地制约了推荐系统的性能,一直以来都是推荐算法研究的重点。协同过滤推荐算法通过交互信息分析用户潜在的兴趣和需求,是推荐系统中应用最为广泛的一种。传统的协同过滤算法没有充分利用辅助信息,当数据稀疏时,对用户和项目的信息提取能力有限,相似度的计算不够准确,无法准确地建立用户的偏好模型。深度学习在处理欧氏数据的特征上有着卓越表现,并且能够有效地利用辅助信息来缓解数据稀疏问题,而对于深度学习难以处理的复杂图谱数据,使用网络表示学习可以在保留图的网络结构的基础上融合节点的内容信息,学习图中节点的嵌入表示。本文的主要工作如下:（1）结合协同过滤算法预测的稳定性和深度学习模型从辅助信息中提取特征来缓解数据稀疏性的优势,本文提出了一种融合用户偏好和多交互神经网络的协同过滤算法（Collaborative Filtering Integrating User Preferences and Multi-Interaction Networks,UPMIN-CF）,该算法分为用户协同过滤推荐模块和深度学习推荐模块。在用户协同过滤推荐模块,改进用户相似性的度量方法来进行评分预测,该方法同时考虑到用户的评分差异性和评分项目的属性分布情况,使用基于集合的方法计算用户之间的项目属性偏好相似度,以作为数据稀疏时用户相似度的补充。在深度学习推荐模块,构建融合用户偏好信息的多交互神经网络模型来进行评分预测。该模型通过多层非线性网络学习用户和项目在不同维度空间中的潜向量表示,并利用多层感知机提取每一层用户潜向量和项目潜向量的交互信息,最后对各层的交互结果使用加权方式进行聚合。在推荐时,设计一种动态权衡系数综合两个模块的预测结果来生成推荐列表。（2）知识图谱可以通过结合辅助信息和交互数据来更加立体地展现用户和项目之间的关系结构,考虑到网络表示学习方法在处理图谱数据上的优势,本文提出了一种基于图注意力网络表示学习的协同过滤推荐算法（Collaborative Filtering Based on Graph Attention Network Representation Learning,GATRL-CF）。该算法根据用户-项目二分网络构建用户与项目的同质图,并利用图注意力网络模型在各自的同质图上进行网络表示学习,融合用户与项目的属性信息以及用户之间与项目之间的网络结构信息获得用户和项目的网络嵌入特征表示,最后构建融合网络嵌入信息的神经矩阵分解模型获得推荐结果。本文选用数据集Movie Lens和Last.fm验证改进算法较对比算法对性能提升的有效性,结果表明,改进算法可以提高推荐的精度,有效地缓解数据稀疏问题。