推荐系统旨在解决信息过载问题,为用户提供更准确的可能性选择,让企业更精准地筛选客户。当前,社交推荐依托于图卷积神经网络在性能上得到了进一步的提升。然而传统的结合图卷积神经网络的社交聚合模型聚合时通常将节点高度纠缠的复杂的表征当作一个整体,但是由于社交推荐中节点偏好的多样性,节点间连边关系的建立往往只需要依据一部分的偏好,因此聚合时考虑邻域节点全部偏好的方式是不合理的。另外,传统社交推荐面对复杂而冗余的信息时往往只关注单一任务,忽略了社交推荐中存在的任务相关性,导致不能充分地挖掘数据特征。针对上述问题,本文对基于多任务学习的社交推荐方法进行了研究,研究内容如下:（1）提出了基于偏好分解聚合的社交推荐方法。该方法先将节点粗粒度的综合表示映射到更细粒度的多个隐空间下,然后在独立的隐空间内聚合邻域节点的信息。同时为了确保多个隐空间的独立性,模型使用偏好正则化器度量各个空间的距离。（2）提出融合链路预测任务的社交推荐方法。该方法先从复杂的用户-项目交互网络和社交网络中提取出一种更加牢固的社交网络,本文称为强化社交网络,然后引入多任务模块在模型中加入强化社交网络的链路预测任务,进而辅助推荐任务获得更好的性能。通过在两个公开数据集上的实验表明,与对比方法相比,提出的基于偏好分解聚合的社交推荐方法能生成更好的用户（项目）潜在表示,有效地提升了推荐的性能,均方根误差和平均绝对误差指标下降了1%～2%,并通过shap值能实现部分事后可解释。融合链路预测任务的社交推荐方法在性能上有明显的提升,均方根误差和平均绝对误差指标下降了2%～4%。