推荐系统可以为用户提供感兴趣的推荐项目,在互联网应用中起到重要作用。而图神经网络作为一种新兴的图表示学习方法,可以基于图的结构为用户和项目生成低维特征表示,进而为推荐系统提供包含节点邻居结构信息的特征输入。因此,基于图神经网络的推荐系统具有重要的研究价值和应用前景。近年来,针对图神经网络在推荐系统中的应用研究成果颇多,但其中不少方法仍然存在下列问题:1.针对邻居节点的均匀采样方法可能会忽略掉重要邻居提供的信息;2.没有为评分预测提供合适的可学习参数,限制了图神经网络在推荐任务中的性能表现;3.没有考虑推荐系统中评分图邻居结构存在的时序特性;4忽略了图神经网络中间层输出的浅层结构特征。针对上述问题,本文完成了如下工作:1.提出了一种基于评分可信度采样的图神经网络模型。该模型包括:1)一种基于评分可信度的邻居采样方法,该方法同时考虑了评分图结构中评分的时间信息和节点的度,使得采样过程可以偏向那些更有价值的节点。2)一种基于注意力机制的评分预测方法,衡量了用户和项目的特征表示各个维度在评分预测任务中的重要程度,使得图神经网络在推荐系统中的应用效果得到改善。在六个公共数据集上验证了该模型的有效性:与现有的几种基线模型相比,该算法的MSE损失值最多可以减少27.89%,MAE损失值最多可以减少26.01%。2.提出了一种基于有序输入的门控图神经网络模型。该模型可有效应用于推荐系统。该方法的主要贡献包括:1)关注节点邻居结构的时序特性。让邻居节点按照时间顺序输入到门控图神经网络,进而利用其上下文关系捕获能力捕获邻居结构中的时序特征。2)关注中间层输出的浅层状态输出。采用多头注意力机制融合多层状态输出信息,让中间层提供的浅层结构特征更好地参与到评分预测任务中来。在六个实际数据集上验证了模型有效性:相对于最优基线,模型在其中四个数据集上降低的MSE损失分别为13.36%,8.03%,27.49%和2.52%。3.最后,将两种网络表示学习方法应用于推荐系统,实现书籍推荐。首先对书籍数据进行分析和预处理,搭建出基于评分的推荐系统环境,基于图神经网络为用户和项目生成特征向量表示;然后进一步实现评分预测,根据预测评分的排序结果为系统中的用户推荐若干个项目;系统前后端分离,采用基于Django的后端开发框架和基于VUE与Bootstrap的前端开发框架。