随着网上信息量的急剧增加,信息过载问题成为了制约网络发展的一个重要因素。推荐系统作为解决该问题的有效方法,得到了工业界和学术界越来越多地关注和研究。图作为一种重要的数据结构,可以表示一组对象之间的复杂关系。而推荐系统中的大部分数据本质上具有图结构,将图神经网络应用于推荐系统,可以更有效的从各种数据中了解用户的偏好和需求。因此基于图神经网络的推荐系统成为推荐系统领域的一个重要研究方向。本文提出了两种基于图神经网络的推荐算法:融合多头注意力机制的图神经网络算法MGRU和长短期偏好融合的图神经网络算法GNNLSR。在图神经网络推荐系统中,用户的兴趣爱好受到自身的历史行为、社交网络等多方面影响,呈现出一种动态变化的趋势。而如何在推荐系统中结合用户的社交网络信息以及时序兴趣提取有效信息,是一个棘手的问题。针对上述问题,MGRU算法利用门控循环单元有选择的记忆与遗忘节点的时序信息,增强图神经网络在节点迭代时的抽象能力。再利用注意力记忆网络获得朋友在不同方面对用户的影响,依靠多头注意力机制来调节朋友影响力的大小。在Ciao与Epionions数据集上使用均方根误差和平均绝对误差作为评价指标进行实验,结果证明该算法提升了推荐系统的准确率。目前基于图神经网络的推荐方法中,很多学者将用户和项目的交互信息构建成图,然后通过聚合和更新图上的节点得到用户和项目的嵌入表示。但目前大部分基于图神经网络的模型通常仅考虑用户生成的短期偏好和长期偏好的某一个方面。用户偏好的本质是由短期偏好和长期偏好共同作用而来的,长期偏好记录了一个用户的长期习惯,而短期偏好则是随着时间的推移产生的新兴趣。因此本文提出了一种融合长短期偏好的图神经网络算法GNNLSR。此外,本算法中还融合了项目的特征提取,使得该模型在捕获用户长短期偏好的基础上,结合项目特征产生更好的推荐结果。