随着互联网上的“信息过载”影响进一步扩大,推荐系统已经成为人们生活中不可或缺的一部分。个性化服务提供者追求更高性能的推荐系统以及模型算法也引起了学术界和工业界研究者们的广泛关注。图神经网络（GNN）在图领域上的数据处理有着一定优势,它可以自然地整合节点邻域信息和拓扑结构,近年来也被成功地应用到推荐问题中。目前,基于GNN的推荐模型主要有如下不足:第一点是在用户—项目二部图中直接使用图卷积神经网络（GCN）,没有对邻域内的邻节点进行区分,一方面是邻域内节点类别上的不同,另一方面是中心节点与邻域节点间连接紧密性的不同。第二点是大多图卷积网络模型对用户兴趣特征提取时没有关注历史交互序列的内部顺序,因此无法区分用户的长期兴趣和短期兴趣。第三点是单个GCN网络难以高质量学习到图中节点在不同特征视图下的嵌入表示。针对以上问题,本文对基于图网络结构的推荐模型的贡献主要有以下几点:（1）利用SVD矩阵分解完成从用户—评分二部图到用户同质图和项目同质图的构建。然后改进了经典GCN模型,提出一种加权图卷积神经网络,将其应用于考虑实体相似性的协同过滤推荐中,分别在两种含权网络上进行用户和项目的潜在特征提取,同时使用one-hot以及muti-hot编码的方式嵌入二进制向量化后的实体特征。最后使用向量内积完成评分预测的推荐任务,在两种数据集中完成了RSME和MAE评测指标上的性能测试。结果显示我们的模型相比传统矩阵分解类模型和经典GCN类模型显示出了一定的优越性。（2）将用户兴趣划分成短期偏好和长期偏好,提出了一种联合LSTM和图注意力网络的协同过滤推荐模型（LGACF）。对于用户短期偏好特征,该模型引用长短期记忆网络和自注意力机制使其在训练过程中,自注意力部分能够对用户的历史交互项目给予不同程度的关注,自适应地分配权重,长短期记忆网络用于学习用户历史交互序列的内部依赖,从而得到用户短期兴趣表示。（3）对于用户长期偏好,LGACF还包括了本文提出的一种多视图的图注意力网络,使用多个图注意力网络在用户项目二部图上进行自适应地学习并汇总评分视图和特征视图下的节点特征,获取了用户的长期兴趣表示和项目表示。最后使用向量内积完成Top-K推荐任务,在两个数据集中进行了HR@K和NDCG@K评测指标上的性能测试。结果显示相比基于序列的推荐模型相比和图卷积类的推荐模型相比,LGACF拥有更好的性能表现。