图卷积或者图神经网络确实可以用于推荐系统，并且在某些场景下已经展示出了比其他深度学习方法更好的效果。不过，目前这方面的研究和应用还处于探索阶段，相关论文虽然不算特别多，但确实存在一些重要的工作。

适合做推荐系统的原因：

1. 数据表示能力强：推荐系统中的用户-物品交互可以自然地表示为图结构，如用户-物品二部图、用户社交网络、物品知识图谱等。图神经网络能够有效地捕捉这些复杂的关系和结构信息。

2. 多种关系融合：图神经网络可以方便地融合多种类型的side information（如用户的社交关系、物品的属性等），从而提升推荐的准确性。

3. 已有成功案例：一些研究表明，基于图神经网络的推荐系统在某些数据集上表现优于传统的协同过滤和深度学习方法。例如，TKDE 2025的《A Graph Neural Network Framework for Social Recommendations》提出的GraphRec+算法，通过多种图神经网络提取用户和物品信息，实现了更强的预测性能。

研究现状和挑战：

1. 研究尚在探索阶段：虽然图神经网络在推荐系统中的应用已有一些研究，但整体上仍处于探索阶段，尚未达到成熟应用的程度。

2. 计算复杂度高：图结构与计算机体系结构的序列存储方式存在冲突，导致图神经网络在处理大规模数据时计算复杂度高，难以落地。

3. 需要优化的地方：图神经网络在推荐系统中的应用需要针对不同场景进行优化，如处理用户和物品节点类型的差异、处理数据稀疏和长尾问题、优化大规模数据的计算效率等。

4. 与其他方法的比较：在某些场景下，如长序列推荐，Transformer等序列模型可能表现更好；而在短序列或会话推荐中，图神经网络可能更有优势。

总结：

图神经网络确实适合用于推荐系统，特别是在需要处理复杂关系和多种信息融合的场景下。但由于计算复杂度和优化需求，目前的研究和应用仍需进一步发展和完善。未来，随着技术的进步和更多研究的推进，图神经网络在推荐系统中的应用可能会更加广泛和深入。