在信息时代,虽然人们可以共享资源开拓视野,但是海量信息也会让用户花费更多时间代价寻找满足自己需求的信息。正是为了解决用户选择困难的问题,个性化推荐才受到了广泛的关注。个性化推荐通过分析用户行为数据,标记用户的个性化偏好,向用户推送其可能感兴趣的信息。目前,个性化推荐面临的主要问题是数据稀疏,通过用户和项目额外的辅助信息来探索用户的兴趣模式是有效的解决方法之一。近年来,图卷积网络在图数据方面表现出强大的学习能力,在推荐系统中得到了广泛的应用。本文主要利用图卷积网络分析辅助信息来提升个性化推荐的准确率,本文的主要研究内容如下:1、为了准确地探索用户的偏好模式,本文提出了一个基于关系重构的图卷积矩阵补全（RE-GCMC）方法。首先利用相似性度量函数根据用户个人信息、项目属性以及历史交互数据构建用户-用户,项目-项目相似关系图,并利用注意力图卷积网络从多种关系图中挖掘用户与项目之间的非线性关系并捕获不同邻域的高阶语义信息,学习带有结构信息和内容信息的用户/项目的潜在特征表示;其次利用多层感知机融合特征信息,探索用户与项目的高阶特征交互来完善用户和项目的特征表示从而预测用户对未交互过的项目的评分。最后,在推荐数据集上的实验验证了本文提出的方法优于基准方法。2、为了解决从评论信息中挖掘用户与项目的高阶交互关系的问题,本文提出了一种联合评分和评论的图卷积网络（RRGCN）方法。首先利用词嵌入技术将评论映射到词向量空间,再利用CNNs学习评论文本中带有语义和上下文信息的特征向量;其次利用注意力机制为评论分配不同的权重来初始化用户和项目的特征表示,并利用图卷积网络从用户和项目的交互关系图中捕获高阶协同信息来完善特征表示,从而预测用户对项目的评分。最后,在推荐数据集上的实验结果验证了本文提出的模型有优越的性能。