推荐系统是解决信息过载问题的重要手段,然而,传统的协同过滤方法只根据用户-物品的交互行为做推荐,也就是用户与物品之间的显示关联,而忽略了用户与物品本身的特性。推荐系统中除了用户与物品的关联信息可以发现用户的显式兴趣特征,那些包含了大量的语义信息的用户以及物品的描述信息也可以展示用户的隐式兴趣特征。近些年,随着深度神经网络的发展,对各种数据的处理有了长足的进步,给基于多模态数据的混合推荐提供了有效的工具。图是一种非常强大且复杂的工具,计算机所处理的绝大部分数据都可以抽象为图结构。在推荐系统中用户-物品的关联也可以用这种结构来描述。传统的基于这种二维平面结构数据进行的用户兴趣挖掘,很难发现用户多样的、潜在的兴趣,同时也很难解释推荐的合理性以及推荐的目的和理由。然而,基于图结构数据的用户兴趣挖掘与推荐方法能够推断出图中的各种隐藏知识与关联关系,可以很自然的解决上述问题。本文将空域图卷积神经网络与胶囊网络相结合,实现了基于图卷积网络与胶囊网络的混合推荐模型。该模型充分利用空域图卷积神经网络对图邻域结构聚合特性,对用户/物品结点及其邻域结点（即:图结构的拓扑结构）进行卷积操作,有效的聚合了结点的K阶邻域结构信息,同时利用用户对物品的评分信息,以及用户与物品的辅助信息（Side Information）挖掘用户的潜在的兴趣点,并使用LSTM自编码器模型将用户的局部兴趣传播路径聚合为该用户的Embedding向量,完成用户兴趣的初步抽象特征提取。然而,LSTM编码器生成的固定长度的Embedding向量很难表征用户的多兴趣特征,而且,使用一维的特征向量很难表征用户的兴趣的多维性等特征。因此,本文利用胶囊网络可以提取部件在全局信息中的多种特征的能力解决此问题。首先,根据用户-物品的访问信息,将用户的Embedding兴趣向量与物品的Embedding内容向量相结合,组合为一个兴趣点;然后,将用户抽样兴趣路径上的所有兴趣点按访问时间顺序排列,组合为初始胶囊,并输入胶囊网络进行用户多兴趣发现,最终形成用户的二维兴趣矩阵（每一行代表一类兴趣）。为了完成最终的用户-物品权重预测,本文将用户的多兴趣特征矩阵与物品多主题特征矩阵相乘,相乘后的矩阵表示用户对此物品的兴趣图,将用户的所有兴趣图组合为用户的兴趣立方体,并使用空间注意力机制完成用户主要兴趣的筛选。最后,利用用户兴趣立方体完成用户-物品边权重的预测工作。本文提出的混合模型可以有效的结合交互关联与内容相似度对推荐进行解释。同时,在这种复杂的超图结构中利用结点属性和连接关系完成基于兴趣路径的推理与聚合,不仅可以提高推荐效率同时可以增加用户的信任度和满意度。本文完成的工作如下:（1）根据用户物品的访问信息,构造用户-物品带权有向二部图,结合结点本身的内容信息、结点之间的访问信息计算用户访问物品的权重（边权重）,设计各种结点特征的表示方式;（2）融合路径推理与局部兴趣传播,并利用图卷积与LSTM完成结点特征聚合,实现可解释的推荐任务;（3）利用Attention机制与胶囊网络实现了用户兴趣的多样性与多模态数据的特征相融合;（4）利用用户结点与物品结点的特征向量,设计了可以反映用户多兴趣的二维平面兴趣表示。（5）最终提出了基于图卷积网络与胶囊网络的混合推荐模型。在来自真实系统数据集上的实验结果表明,所提出的方法可以对推荐可解释性问题起到缓解作用,并且对推荐系统性能有着一定的提升作用。