随着互联网的发展,信息过载成为人们获取感兴趣内容的一个重大挑战。推荐系统作为信息过滤系统的一个子集,能够根据用户本身的属性信息以及商品的历史交互记录来挖掘用户潜在的兴趣爱好与需求,大大减少了用户筛选信息的时间,对于提升用户体验、缓解信息过载问题有很大的帮助。传统的推荐算法通常只考虑了用户和商品的直接交互这种规则的欧几里得数据而往往忽略了实际场景中用户和用户关联,商品和商品关联等等构成的错综复杂的图结构,同时也经常忽略交互的顺序信息。而图神经网络通过聚集近邻节点的信息,直接在图结构上执行卷积,可以应用于像图这样的非欧几里得领域,有效捕获数据之间的依赖关系和高阶表示,因此近几年广泛地应用于推荐场景。基于此,本文提出了一系列基于图神经网络的推荐算法,利用图神经网络学习更加丰富的用户和商品表示进行推荐,包括两个研究工作和一个实际应用。具体而言,本文首先研究了异质图神经网络推荐算法,提出了融合长短期兴趣建模的图神经新闻推荐算法GNewsRec。其次,本文研究在异质图神经网络推荐场景下融合时序信息进行推荐,提出了时序感知的异质图协同过滤算法SHCF。最后,本文在微信“看一看”推荐场景下,应用工业界真实数据集,研究了基于包的推荐问题,并提出了包内与包间注意力推荐算法IPRec,以验证图神经网络推荐算法在真实工业推荐场景中的有效性。在真实应用场景中,我们面对的图结构通常是包含多种类型的节点和边的,即为异质信息网络（也称为异质图）。传统的新闻推荐算法包括基于用户-商品直接交互的协同过滤方法和基于用户历史交互的基于内容的方法大多都难以捕获交互的高阶信息,而通过异质图神经网络建模网络的复杂拓扑结构,保留异质信息网络的属性异质性,能够挖掘更加丰富的语义信息和结构信息,更好地建模用户和新闻的表示,提升推荐效果。因此,本文首次将新闻推荐建模成用户-新闻-主题的异质图,提出了一个新颖的融合用户长短期兴趣建模的异质图神经网络推荐算法（Graph Neural News Recommendation Model with Long-term and Short-term User Interest Modeling,简称 GNewsRec）。在真实新闻推荐数据集上的实验结果表明,我们提出的算法明显优于最新方法。更进一步,传统的基于异质信息网络的推荐算法或时序推荐算法都只考虑异质交互中的协同信号,或者仅基于自己的商品交互序列建模用户表示,前者难以捕捉用户的动态偏好,后者则面临常见的数据稀疏问题。在本文中,我们提出了一种新的时序感知异质图神经协同过滤模型（Sequence-aware Heterogeneous Graph Neural Collaborative Filtering,简称SHCF）,该模型通过融合高阶异质协同信号和序列信息来解决上述问题。具体来说,我们首先通过添加属性信息丰富用户-商品二部图来构建异质信息网络,然后设计新的消息传递层来学习丰富的用户和商品表示。在用户嵌入方面,我们考虑使用位置感知的自注意机制来捕获用户随时间变化的动态兴趣,以及使用逐元素注意力机制来捕获用户对一个商品不同方面的细粒度静态偏好。在商品嵌入方面,我们对不同类型的属性信息设计了双重注意力机制,融合丰富语义信息以缓解数据稀疏性问题。在三个真实世界的数据集上的大量实验表明,与最先进的方法相比,我们的模型可以显著提高推荐性能。最后,为了验证基于图神经网络的推荐在真实应用场景中的有效性,本文在微信“看一看”的推荐场景下,研究了基于包的推荐问题,并提出了包内与包间注意力推荐算法（Intra-and Inter-package Attention Network for Package Recommendation,简称 IPRec）。具体而言,在包建模方面,本文提出了一个包内注意力网络来捕获用户与包交互的对象级意图,而包间注意力网络则作为包级信息编码器来捕获相邻包的协同特征。此外,为了建模用户兴趣偏好,本文提出了一个用户偏好学习器,该学习器配有细粒度的特征聚合网络和粗粒度的包聚合网络。在三个真实世界的数据集上进行的大量实验表明,IPRec的性能显著优于目前方法。此外,附加的模型分析表明了我们的IPRec具有可解释性和挖掘用户行为特征的能力。