随着互联网信息技术的不断发展,互联网上的信息量呈现爆炸式增长。为了缓解信息过载问题,推荐系统的研究受到越来越多研究人员的关注,并应用到了现实生活中的很多场景中,比如:在线购物系统、在线多媒体系统以及搜索引擎等。社会化推荐系统是现代推荐系统中的重要研究方向之一,其研究内容是在结合用户与商品交互关系的基础上引入用户之间的社交关系,希望进一步提升用户偏好预测效果,并缓解数据稀疏问题。虽然近年来许多工作表明了深度学习在社会化推荐算法研究中的有效性,但仍有三个重要的挑战没有得到很好的解决:（1）现有方法只考虑了用户的社交关系,而忽略商品之间关系;（2）现有方法大多都是针对单一类型的用户与商品交互行为,无法处理多类型交互行为;（3）现有方法仅考虑了特征的局部相似性,忽略了全局特征的重要性。为了解决上述提出的三个挑战,本文提出了一种基于图神经网络的社会化推荐模型,该模型主要由两部分组成:（1）多行为特征编码模块,该模块使用图神经网络处理用户与商品之间的多行为交互,利用用户与商品交互图的高阶连通性构建用户和商品的高阶特征;（2）局部特征约束模块,该模块通过生成全局特征对局部特征进行约束。本文分别基于深度图信息最大化和局部亲和度排序两种思想设计了不同的局部特征约束方法,并应用于用户社交图和商品关系图中,使得用户和商品特征不仅包含局部相似性,同时还兼顾了全局相似性。最后,本文在四个大规模真实数据集上,将本文所设计的模型与前沿算法进行实验对比,验证了模型的可行性与有效性。