随着互联网的飞速发展,信息过载的问题日渐突出,推荐系统是为解决信息过载而提出的一种解决方案,它从海量信息中筛选出符合目标用户兴趣偏好的那一部分。而评分预测任务是推荐系统中最主要的任务之一,准确预测用户对未知物品的评分,才能达到更好的推荐效果。为了解决推荐系统中的任务,人们提出了许多种推荐算法,这些算法或利用不同的数据、或采取不同的方式分析数据,分为不同种类。本文的工作围绕推荐系统中的评分预测任务。基于协同过滤的思想,主要利用用户-物品的历史交互数据来解决评分预测任务。不同于传统的协同过滤算法用评分矩阵的形式表示用户-物品间交互数据,本文将用户-物品交互数据转化为一个异构图（heterogeneous graph）,把用户与物品看作图上的两类节点,把用户-物品评分看作是连接两类节点的边;于是推荐算法中的评分预测任务转化为了图数据上的链路预测任务。而图神经网络是一类专用于处理图数据的神经网络的总称,本文基于相关技术构建推荐算法模型。本文首先对GC-MC算法模型提出部分修改,设计一个基于图卷积网络的推荐算法模型。在模型中,利用图卷积算子为图上各节点聚合其邻居节点的特征以生成用以表征各节点的隐语义特征,并利用用户和物品的隐语义特征进行评分预测。然后提出引入社会化信息的改进模型。在改进模型中,引入用户间的社交关系,在生成用以表征用户节点的隐语义特征时结合其所处的社交关系,使得其隐语义特征可以更准确地表征该用户。最后,本文设计并实现了一个歌手推荐系统,系统前端部分使用Vue框架和Element UI组件库,后端部分使用FastApi框架,并在系统的推荐模块中结合了本文改进的推荐算法模型。