推荐系统通常依赖用户的历史交互数据进行模型训练，虽然能够较好地反映用户过去的行为偏好，但在捕捉用户的潜在兴趣方面存在局限性，同时也面临数据稀疏性问题；此外，推荐系统往往过度关注流行度较高的项目，而未能充分考虑用户的真实偏好，进一步限制了推荐的多样性和个性化水平。针对上述问题，提出一种去偏因果推荐方法GDCR(graph neural network-based debiased causal recommendation)。首先，GDCR引入图神经网络GNN来聚合用户-项目交互图和社交网络图中的信息，过程中不仅考虑了用户对不同项目的评分差异，还根据用户之间关系的紧密程度进行深入分析，从而获取更丰富、全面的用户表示和项目表示。然后构建因果图描述数据的生成过程，并分析导致过度推荐热门项目除了受流行偏差影响外，还受到一致性偏差的影响，由此，应用后门调整策略来消除上述偏差。在MovieLens和Douban-Movie两个公开数据集上，与八种基线方法进行了对比实验，结果表明，GDCR方法相较于其他先进的推荐方法展现出显著的性能优势，进一步验证了该方法在缓解数据稀疏性问题和提升推荐准确性方面的有效性。