随着互联网飞速发展,网络上的信息量爆炸式增长。推荐系统可以帮助用户解决“信息过载”问题、帮助企业实现商业目标,有着巨大的应用价值和研究价值。由于推荐系统当中用户和商品的交互天然存在着图结构,同时协同过滤作为工业界影响力最大、应用最广泛的推荐模型,尽管推荐领域最新的研究大多与深度学习紧密结合,但模型的基本原理还是没有脱离经典的协同过滤的思路。得益于图卷积神经网络挖掘图结构中拓扑信息的优势,近年来涌现了许多图推荐的研究工作。然而目前大多数传统基于图卷积神经网络的推荐模型都会受到“过度平滑”问题的制约,而且由于推荐数据集数据十分稀疏导致推荐效果不佳。因此,本文设计了一种基于图卷积神经网络的协同过滤推荐算法,该算法改进了传统的图卷积神经网络的结构,并且优化了传统的负采样算法。本文的主要工作包含以下几点:（1）改进了传统图卷积神经网络的结构,用一层网络拟合图卷积神经网络最终收敛时的状态,有效的缓解了图卷积神经网络中“过度平滑”的问题。（2）优化了推荐算法中的负采样模块,在真实负样本嵌入中插值加入了正样本嵌入,缓解了推荐数据集数据稀疏的问题、提升了推荐性能。（3）对本文算法进行了实验验证分析。通过实验测试了算法中关键超参数对推荐性能的影响;通过消融实验证明了本文提出的两个创新点的有效性并与常用的基于图卷积神经网络的推荐算法做了对比。通过实验结果证实,本文提出的算法在推荐的精确率、召回率和归一化折损累计收益指标上,相较于常用的基于图卷积神经网络的推荐算法都有一定提升,证明了本文算法的有效性。