互联网的飞速发展丰富了网络信息资源,给人们获取信息带来便捷。然而随着网络资源的不断增多,用户在海量信息中定位有价值信息也变得更加困难,由此造成严重的信息过载问题。为了协助网络用户更快捷有效的获取有价值信息,推荐技术应用而生。推荐技术是研究如何根据用户兴趣特点和相关行为,向用户推荐其感兴趣信息的一种应用技术。作为目前应用最为广泛的推荐技术之一,协同过滤技术在推荐系统中得到了广泛的应用。本文针对传统的协同过滤推荐技术常遇到的稀疏性、可扩展性、冷启动问题,对基于图模型的协同过滤技术开展研究。本文完成的成果性工作包括：1.针对协同过滤技术中原始评分空间数据稀疏而导致的用户和对象相似性度量不准确的问题,提出了一种基于用户图和对象图交互式传递的协同过滤方法,将用户关系信息和对象关系信息以交互式的方式传递到‘用户-对象’评分信息空问中,改善原始评分空间的稀疏性问题,进而改善推荐性能。2.以基于矩阵分解(Matrix factorization)模型的协同过滤推荐技术为基础,提出了一种基于图约束的矩阵分解模型。该模型中通过同时引入用户图约束和对象图约束,从而保证了用户关系和对象关系在原始特征空间与经矩阵分解得到的低维本征空间结构上的一致性。针对该模型的求解,不同于传统的交替求解方法,本文提出了一种新颖的序贯式求解方法,以保证算法收敛的稳定性。3.针对具有图约束的矩阵分解模型中的可扩展性问题,提出了一种对活跃用户低维本征描述的在线学习方案,以避免在线重新进行矩阵分解所带来的高计算复杂度,解决活跃用户的实时低维表征问题,在保证推荐性能的同时提高推荐效率。