随着信息化时代的高速发展,网络上的数据得到爆炸式增长,呈现种类繁多、结构复杂等特点,传统推荐算法逐渐不能有效解决信息过载的问题。伴随各类社交应用的涌现,融合社交信息的推荐技术开始成为学术界和工业界的研究重点。社交推荐算法在评分数据的基础上引入了用户社交网络的信任信息,可以有效缓解数据稀疏和冷启动问题。但是,大多数社交推荐算法仅对用户自身的购买偏好建模,忽略了用户信任朋友的偏好信息,且没有充分挖掘用户信息在社交网络上的传递性。社交推荐算法的关键在于如何利用信任网络挖掘深层次的用户及其朋友的偏好信息以及交互关系。因此,本文针对基于信任关系的社交推荐算法的研究,主要做了以下工作:（1）针对传统社交推荐算法没有有效利用信任关系挖掘用户朋友偏好信息的问题,本文提出了一种融合信任关系和用户多偏好的图记忆网络模型（PA-GMN）。首先利用注意力机制在用户隐向量学习中融合用户不同评分级别的偏好信息,其次使用记忆网络存储用户及其朋友的多类共有偏好,并利用图神经网络建模社交网络中用户信任关系及偏好信息的传递性,最后利用模型训练得到的用户隐向量和物品隐向量进行评分预测。对比实验中,该模型在现有的开源数据集上相较其他社交推荐算法可以有效提升预测准确度,结果表明,PA-GMN算法可以有效缓解数据稀疏和冷启动问题,提高推荐系统的性能。（2）针对PA-GMN算法无法区分用户及朋友的多类共有偏好对评分预测物品的影响程度,本文又提出了一种改进的基于自注意力机制的融合多偏好的图注意力网络模型PA-GAN。该模型主要使用了自注意力机制捕获朋友多类偏好信息对预测评分物品的不同影响,并利用用户在社交网络的信任关系对融合了该偏好信息的朋友向量进行加权聚合得到最后的用户隐向量,最后使用模型训练得到的用户向量和物品向量进行评分预测。实验结果表明,相较其他社交推荐算法,本模型PA-GAN可以大幅度提升推荐准确性;相较PA-GMN算法,本模型在推荐性能上也有很高的提升。（3）在本文提出的融合信任关系和用户多偏好的PA-GMN和PA-GAN算法的基础上,设计并实现了一个社交推荐系统,该系统包括数据预处理模块,图拓扑构建模块,模型训练模块,数据存储模块以及用户推荐模块,主要负责对数据的处理流程、模型的运行流程以及推荐结果进行可视化展示。