随着互联网的发展,推荐系统作为一种可以满足用户个性化需求的技术,受到了广泛的关注与研究。大规模且高质量的数据对推荐系统的发展至关重要,机构和企业通过数据共享提升推荐准确率,但这种方式存在着数据隐私安全的问题。与此同时,用户保护自身隐私数据的意识逐渐觉醒,相关法律法规也日益完善,如何在保护数据隐私的前提下调度多个参与方共同训练推荐模型是亟需解决的问题,具有重要的研究价值和应用前景。近年来,面向隐私保护的联邦推荐系统研究有一定成果,但仍存在如下挑战:参与方数据本地特征提取不充分导致模型准确度不高;中央服务器聚合未关注到重叠数据以及对隐私数据未区分等级;中央服务器面临的通信和计算压力以及不可靠的客户端限制了联邦推荐模型的性能。针对上述问题,本文融合图神经网络（Graph Neural Network,GNN）、联邦学习（Federated Learning,FL）、分层半异步调度这三者的优势,提出了基于图神经网络的半异步分层联邦推荐系统。具体研究工作如下:（1）提出了基于图卷积神经网络（Graph Convolution Network,GCN）的联邦推荐方法。首先,针对特征提取不充分的问题,采用图卷积神经网络技术构建联邦学习框架下客户端本地训练的模型,它挖掘了客户端上用户和项目转化为二部图后的高阶空间特征以及节点信息。其次,针对信息敏感差异性,即用户的信息相对于项目的信息有着更高层次的隐私保护要求,训练中的用户嵌入矩阵仅保留在本地。针对参与方存在着重叠项目数据的问题,本文设置了全局的项目存在向量和映射表,使重叠项目转化的嵌入矩阵可以进行特定聚合。因此,通过提出在联邦学习的框架下训练基于图神经网络的推荐算法,满足了保护数据隐私的要求,拓宽了本地数据的应用,达到多方参与互利共赢的目的。（2）提出了基于半异步的分层联邦推荐方法。首先,针对单中央服务器结构和同步调度上的性能瓶颈,引入边缘服务器来解决云端中央服务器的通信压力与计算压力,形成分层联邦的架构,并设置全局同步聚合周期,优化全局参数。其次,针对不可靠客户端提出了半异步的调度更新方式,在半异步周期完成当轮训练的客户端可以在边缘服务器上进行同步聚合,未完成的则异步式继续本地训练,并设置客户端落后可容忍参数,避免模型因聚合与全局版本差较大的参数而发散,保证整体的训练效果与进度。同时,改进了边缘服务器上的聚合算法,根据客户端参与训练的次数设置权重,提升边缘服务器组内的推荐准确率。（3）在公开数据集上,从推荐性能和参数敏感性等方面进行了充分的实验分析论证。实验结果表明基于图卷积的联邦推荐算法保证了本地隐私数据不离域,同时提高了各参与方本地模型的推荐准确率,平均绝对误差指标最多降低了2.13%。本文改进后的聚合算法预测精度优于未关注到数据重叠的联邦聚合算法。基于半异步的分层联邦推荐方法通过增加边缘服务器来缓解中央服务器的压力,使用半异步的调度缓解了不可靠客户端拖累全局训练进度的困境,优化了中央服务器的调度能力。本文方法相较于同步和异步调度算法,有着更高的预测精确率;运行时间开销方面,相较于同步调度算法缩短了49.62%的训练总耗时,降低了26.13%的客户端闲置率,提升了模型的运行效率。