当下互联网已然成为参与普遍、广泛渗透、影响深远的技术领域,其在发挥信息化优势给人们带来惠民便利服务的同时也面临着信息过载等一系列问题的挑战。推荐系统在海量数据中通过信息过滤和筛选来主动帮助用户获取满足需求的信息,在日常快速决策过程中扮演着不可或缺的重要角色。为了提高推荐精度,社会化推荐（Social Recommendation）在传统推荐方法仅利用用户-物品交互记录建模的基础上将社交关系作为辅助信息融入其中,成为许多研究学者深入展开的研究热点。近年来出现的图神经网络通过模拟社会影响递归扩散的过程,聚合高阶邻居节点以改善用户的表征学习过程。然而,主流的基于图神经网络社会化推荐方法研究中存在两个关键问题还没有得到很好的研究:（1）在模型构建层面它们通常在公共特征空间将用户的特征属性映射为低维度的潜在表示,忽略了不同用户在社会领域和用户物品领域之间固有的信息差异;再则未能同时考虑反映在社交图和交互图上节点间的高阶连通性,挖掘隐藏的特征信息用以更好的用户/物品表征。（2）在模型优化层面大多推荐方法依赖负采样来优化模型,而负采样的质量和数量都会影响推荐性能,这使得它们对优化器的设计高度敏感,难以充分利用GPU的计算能力。针对上述问题,本文在图神经网络的基础上提出面向社会化推荐的一种非采样图神经网络模型（An Efficient Non-sampling Graph Neural Network,EAGNN）。主要贡献和创新点如下:（1）在模型构建方面考虑用户在社交领域和兴趣领域的行为信息丰富度的差异,设计了空间自适应嵌入层初始化来细粒度地学习基于社交关系和交互行为的用户特征表示;接着经过双边线性图卷积层来联合模拟社交图上的社交影响和交互图上的兴趣协同性影响的递归扩散过程,将高阶邻居信息聚合到目标节点上,以更好地建模用户偏好;在模型预测层考虑了一种基于门控单元机制的用户特征自适应融合策略,自适应学习社交影响对用户最终特征表示贡献度,使得EAGNN模型具有判断社交影响传播对于不同用户偏好预测的重要性的能力。（2）在模型优化方面为了保证模型的训练效率,本文设计了一种高效的基于非采样策略的优化算法,通过复杂度更低的矩阵运算来更新学习模型参数,充分利用GPU并行计算,使模型训练速率大大提高。（3）本文在4个数据集上进行了大量对比实验来评估EAGNN模型,实验结果表明该方法在推荐精度和训练效率方面与主流的社会化推荐方法相比能够在不同推荐场景中表现出显著的优势,验证图卷积网络和非采样策略在面向社会化推荐问题的有效性。