互联网的发展使得人们获取信息的方式变得丰富多样,但与此同时产生了信息过载等一系列问题,如何在海量信息中提取到用户需要且感兴趣的内容成为当下研究的热点问题。推荐算法是解决该问题的有效方法,在很多场景下得到了广泛应用,但推荐算法也存在一定问题,即新用户登录旧平台或新平台上新时会面临的冷启动问题;人们在享受推荐算法便利的同时希望平台能够针对推荐结果给出合理的解释,即提高算法的可解释性问题;推荐算法在稀疏环境下推荐性能有待提高的问题等等。本文以图数据为基础,改进基于图神经网络的推荐算法,主要内容如下:（1）本文提出LNGCF—B（Light Neural Graph Collaborative Filtering with user Basic information）算法,该算法以协同过滤算法为基础,考虑用户的属性信息,利用图卷积网络深入挖掘用户和项目之间存在的关系,为研究算法在不同应用场景下的推荐性能,选取两个属于不同网络模型的数据集,对数据集进行可视化分析。通过实验研究本文算法在不同网络模型上的推荐效果并与基准算法做对比,实验证明对于不同的应用场景,算法的最优参数不同,与基准算法相比,本文算法在Precision和Recall两个指标上有所提升。（2）为了更好地融入辅助信息缓解协同过滤算法存在的问题,提出基于加强知识图谱且融合用户兴趣偏好的推荐算法SKGPN（Recommendation Algorithm Based on Strengthening Knowledge Graph and Integrating User Interest Preferences）,该算法以知识图谱中存在的信息为基础,提取用户的兴趣偏好,精细化表示用户和项目之间的关系,在考虑知识图谱中存在的语义信息的同时,整合实体节点之间存在的结构信息,充分挖掘知识图谱中的节点相关性,最后利用MLP多层感知机进行预测。在稀疏程度不同的数据集上做多次对比试验,研究发现相比于基准算法,本文算法更适合应用于稀疏场景中。