网络数据以每两年增长一倍的速度飞速增长,世界步入数据大爆炸时代。推荐算法为人们在纷繁浩杂的事物中找寻所需物品提供了一种解决方案,是缓解数据过载问题的有效方法之一。然而,推荐算法面临着三大挑战:数据稀疏、冷启动和可解释性问题。基于协同过滤的推荐算法作为目前应用最为广泛的推荐算法,通过对用户和商品的历史交互数据（包括评分数据、评论文本等）进行分析,从而建模用户和商品的隐藏特征,但仍存在上述问题。图神经网络发展成熟之后被逐渐应用于推荐算法之中,其结构的特殊性使其可以有效建模用户商品特征,有效缓解甚至解决推荐算法的三大挑战。引入图神经网络的推荐算法,虽然提高了可解释性,缓解了数据稀疏及冷启动问题,但目前大部分算法只是利用图神经网络提取用户商品之间的关系信息,而忽略了用户商品交互数据中的评分信息、评论文本等代表了用户商品关键特征的信息。为综合利用用户和商品的历史交互数据,更好地建模用户和商品的隐藏特征,从而提升推荐质量,本文基于图神经网络,结合传统深度学习的知识进行推荐算法研究,主要工作如下:1.更好地利用评论文本中富含的用户和商品的偏好信息,本文提出了基于图神经网络与深度学习的商品推荐算法。采用目前最流行的BERT模型处理评论文本信息,从中提取商品与用户的一般偏好,同时利用图神经网络与注意力机制来建模商品和用户的高阶连接性;然后,通过特征融合来获取商品和用户的最终特征表达;最后,采用点积操作来获得用户对相关商品的打分预测,并给出推荐。实验表明,该方法相比单独使用图神经网络的方法可以提高评分预测的质量,且推荐结果具备可解释性。2.评分矩阵富含用户对商品的偏好程度,是自然的权重分配表达。本文通过上述模型的改进,更好地利用了评分矩阵的权重指导作用。在建模商品和用户的高阶连接性时引入评分矩阵来指导注意力分配,同时在提取商品与用户的一般偏好时使用LSTM进一步提取用户商品的特征。在特征融合预测阶段将原有的点积评分预测更改为网络评分预测。实验表明,该方法相比上一方法进一步提升了评分预测的质量,同时降低了实验达到平衡所需的迭代次数。