近年来,图神经网络（Graph Neural Network,GNN）相关研究领域逐渐火热,与深度学习的结合为可推理性、可解释性和模型效果带来了巨大提升。推荐领域也逐步开始采纳GNN类方法解决面临的挑战。GNN可以自然地整合节点信息和拓扑结构,已被证明在图上有着很强大的学习能力。电商场景中,用户,商品,以及两者之间的行为可以用一张二部图来表示。预测用户未来的行为,转化为预测二部图中用户-商品边的概率,有更好的可解释性、可推理性。针对现有大多数GNN类电商推荐模型都是基于同质图或单一异质图的问题,提出基于用户不同行为产生的异质边,结合图卷积网络（Graph Convolution Network,GCN）和协同过滤（Collaborative Filtering,CF）思想完成异质图的建模,充分利用用户行为隐含的偏好信息。针对冷启动问题,借助归纳学习的思想,训练映射节点嵌入向量的函数,并利用高阶邻接和异质边,即使节点仅有很少的交互,也能通过此方法挖掘协同信息丰富节点的嵌入向量表示,克服样本量不足导致的较差预测效果。最终提出异质图卷积协同过滤模型（Heterogeneous Graph convolution Collaborative Filtering,HGCF）。在预处理的阿里巴巴真实电商数据上进行的Top-N推荐实验表明,相较于传统的矩阵分解（Matrix Factorization,MF）模型和神经图协同过滤（Neural Graph Collaborative Filtering,NGCF）模型,HGCF拥有更高的推荐准确性和应对冷启动的能力。此外,还设计HGCF的超参实验,探索HGCF在不同传播学习层数、不同归一化系数prui、以及不同嵌入传播层输出维度下的性能表现。