为了满足许多不符合银行标准而无法从银行获得贷款的客户需求,基于互联网的商业模式P2P借贷（Peer-to-Peer Lending）迅速兴起,已成为一个快速发展的金融平台,吸引了许多借款人和投资者。随着发展规模的日益扩大,信息过载使得投资者决策陷入困境。目前,已有面向P2P借贷个性化推荐的研究主要是将传统的个性化推荐方法应用到P2P借贷平台,然而P2P借贷推荐中的一些特有的性质使得该问题有别于传统的推荐,大多数现有的投资推荐方法未能评估贷款的质量和投资者的风险偏好,这将影响P2P借贷推荐有效性。为此,本文主要在研究P2P借贷特性和结合P2P借贷图结构展开了深入的研究,取得如下研究成果:1、基于异构图随机游走的双向推荐方法。提出一个带有贷款和投资者画像的异构图随机游走推荐框架（Recommendation via Random Walk with Profile of loan and lender,RRWP）,帮助投资者找到潜在的感兴趣的贷款,并帮助贷款寻找合适的投资者。首先,综合P2P借贷中贷款属性信息、投资者属性信息以及贷款与投资者的历史购买关系,挖掘贷款与投资者画像;其次,基于贷款与投资者画像,以及投资者间和贷款间购买情况,分散这些关系进入交互网络,从而利用丰富的交互网络,设计投资者-投资者、贷款-贷款、投资者-贷款异构图;最后结合投资者和投资者、贷款与贷款的潜在相关性,以及投资者和贷款之间的关系,并辨别它们之间的有意义的关系,设计一个新的随机游走框架,以提高推荐算法的性能。2、融合风险和收益的图卷积网络推荐方法。受到图注意力网络强大表示能力的启发,提出融合风险和收益的图注意力网络模型（Graph Attention Network with ri Sk and re Turn,Gan ST）用于P2P借贷推荐任务。具体来说,首先将贷款的风险和收益作为显式信息整合到P2P借贷推荐系统,得到包含投资者、贷款、风险和收益的异构图,可以更加全面的反应投资者偏好,提供更准确的推荐线索;其次在图上引入节点注意力机制,对节点进行聚合生成节点嵌入,在此过程中充分考虑不同类型节点对表示节点的相对重要性,设计一个新的图注意力卷积编码器可以学习投资者和贷款节点的特征表示;最后受神经协同过滤（Neural Collaborative Filtering）的启发,将投资者与贷款嵌入后的向量拼接到一起,并连接一个多层感知器,学习投资者-贷款交互可能性。最后,在真实数据集上进行了大量的实验,实验表明本文提出的两种方法均优于现有的面向P2P借贷推荐的方法,验证了本文算法的有效性和实用价值。