随着信息技术的蓬勃发展和大数据时代的到来,各行各业迎来了信息化的革新,人们的生活也因此得到了极大的便利。现如今,储存在各类网站中的数据量呈爆炸式增长,但如何在海量的信息中寻找到需要的那部分却成为了困扰用户的一大问题。因此,推荐系统作为一种有效的信息过滤手段应运而生。近年来,推荐系统受到了广泛研究,其中基于图神经网络的推荐模型是近年的研究热点,但现有的模型仍存在着一些不足之处。首先,现有的基于图神经网络的推荐模型在信息传递的过程中往往直接将所有邻居的信息进行传递,而没有筛选出对当前节点更为重要的信息,进而导致学习得到的用户和物品嵌入向量不能够很好的表达用户兴趣和物品属性。其次,在会话推荐中,现有的模型通常把一个物品看作一个整体处理,没有对特征粒度的深度信息进行挖掘和建模;同时,现有的会话推荐模型往往只在单一的空间内使用注意力机制,导致对会话序列建模不充分。本文开展了深入的研究工作,提出了相应的新的推荐模型以解决以上提到的不足,并在相关的真实数据集上进行了实验以验证本文所提出推荐模型的有效性。本文的主要研究工作如下:1.调研图神经网络、卷积神经网络、注意力机制等相关领域科研文献,深入研究了现有的推荐模型,分析并总结了现有研究中存在的问题与待改进之处。2.为了解决现有的基于图神经网络的推荐模型中的信息传递算法通常把当前用户或物品的所有邻居同等对待,而没有筛选出其中更加重要的信息进行传递的问题,本文提出了一种新的基于图注意力的信息传递算法——GAMP。GAMP算法使用注意力机制对当前用户或物品的邻居进行区别对待,关注于对当前任务更为重要的信息,从而更好地学习用户和物品的嵌入向量表示。3.基于图神经网络与GAMP算法,提出了一种新的基于图注意力的深度推荐模型——GADN。该模型通过显式地对高阶用户-物品关系进行建模,使用GAMP算法学习了用户和物品的高阶嵌入向量表示,从而有效地对用户的偏好信息和物品的属性信息进行建模,进而提高了模型的推荐准确率。4.针对现有研究中对会话深度特征学习能力不足的问题,将卷积神经网络引入至会话推荐中,提出了横纵卷积模块。通过将用户最近点击的物品嵌入序列拼接成为矩阵的方式,使用横向卷积核与纵向卷积核分别捕获会话中相邻物品间的深度特征与特征粒度的物品与物品间关系的深度特征,从而增强了模型的表达能力。并进一步结合门控图神经网络与多头注意力机制,提出了一种多头注意力卷积图神经网络会话推荐模型——MACG,提高了会话推荐的推荐准确率。5.本文提出的推荐模型与多种先进的推荐模型在多个公开数据集上进行了对比实验并对实验结果加以分析,验证了本文提出的推荐模型的有效性。