推荐系统的目的是自动为用户推荐他们可能喜欢的物品,以此来缓解信息过载问题。协同过滤推荐方法使用用户的历史交互数据来预测用户的偏好,是推荐系统中常用的方法。基于物品的协同过滤方法假设用户喜欢的物品通常是与他之前交互过的物品相似。在这样的假设下,基于物品的协同过滤方法利用物品的关联性来产生推荐。因此,如何充分的利用物品之间的关联性成为了关键技术之一。在此背景下,本文的主要工作分为:（1）用户-物品交互图能提供物品之间的关联信息,可以用来丰富基于物品的协同过滤方法中的用户表示。由于参与学习的用户-物品交互图中无法包含新用户的交互信息。使得学习出来的模型不能直接用来为新用户提供推荐服务。本文提出一种非对称变分自编码器AsyECF来解决这一问题。在AsyECF中,本文只在训练过程中利用图神经网络在用户-物品的交互图上挖掘物品的关联信息,这些关联信息可以用来加强物品表示的学习,在推荐时只用这些物品表示来表达用户的偏好。因此,无论用户是否参与学习,只要这些用户有购买历史时就可以为其产生推荐。在三个真实数据集上的实验结果表明对于是否参与学习的用户而言,AsyECF的推荐效果都优于对比方法。（2）现有的基于图神经网络的会话推荐方法通常将推荐问题归结为分类问题,然后使用特定的统一损失来学习会话图表示,以此挖掘会话内物品间的关联性来产生推荐。这样的监督学习方法仅考虑了分类损失,并不足以从图结构化数据中捕获物品特征。因此本文提出HybridGNN-SR模型,通过结合无监督和有监督的图学习来表示会话中的物品隐式特征。在三个真实数据集上的实验结果表明结合无监督和有监督的图学习有利于提高推荐性能。（3）大多数现有方法将用户或物品作为点嵌入到向量空间中,然后严格的将用户最近的行为顺序建模为序列来生成推荐。然而,由于用户兴趣具有多样性和不确定性,点的嵌入方法和严格的顺序规则都限制了序列推荐模型的性能。因此,本文提出Box4Rec模型将用户和用户的历史交互物品表示为一种矩形框来对用户的一般偏好和短期偏好进行建模,然后在物品之间进行合取和析取操作,生成灵活的推荐策略。在五个不同规模的数据集上验证Box4Rec模型的推荐性能。