随着大数据时代的到来,信息量成指数型增长。推荐系统作为一种筛选信息的工具,已经成为人们日常生活中不可或缺的一部分,它可以为人们在大量的数据中筛选出他们感兴趣的信息。近些年,伴随着社交网络的兴起,融合社交关系的推荐算法引起了研究者的广泛关注。社交推荐算法通过结合用户间的社交关系,丰富了用户的偏好特征,从而为用户推荐其好友喜欢的物品集合。近年来,图卷积网络凭借着强大的图表征学习能力得到了广泛关注。基于图卷积网络的社交推荐成为研究热点,也取得了不错的效果,但仍然存在着一些问题。一方面大部分算法没有考虑用户在社交图和用户-物品二部图中的异质性,且缺乏对图结构信息的更深层次挖掘。另一方面在社交图和用户-物品二部图数据稀疏的情况下,缺乏对图中可能存在的隐式链接的发掘。针对以上问题,本文的主要工作如下:针对用户节点在用户社交图和用户-物品二部图中的异质性问题,提出了基于图卷积网络的高阶社交协同过滤模型。该模型利用社交空间聚合和交互空间聚合操作,分别从用户社交图和用户-物品二部图中去收集节点间的高阶协同信息,避免了异构关系对节点特征表示学习的影响。为了实现对图结构的更深层次挖掘,本文将用户社交图和用户-物品二部图合并成一个异质图,并增加了物品节点对用户的高阶社交邻居节点的一种卷积聚合操作。充分利用了图结构中的信息,进一步丰富了物品节点的特征表示。针对图卷积操作提出了一种数据增强操作。在每一层图卷积的过程中,利用节点间的相似度动态地添加用户社交图和用户-物品二部图中可能存在的隐式链接,实现图结构更新和节点嵌入学习的相互促进,缓解了数据稀疏性问题。