Bajo un contexto de internet que involucra inteligencia artificial y big data-datos estructurados en red materializados, como redes sociales, grafos de conocimiento y moléculas compuestas, han ido entrando gradualmente en varios escenarios comerciales específicos. Un problema que necesita ser resuelto con urgencia en la industria involucra cómo realizar extracciones de características, transformaciones y operaciones en datos estructurados en red para resolver tareas posteriores, como clasificaciones de nodos y clasificaciones de grafos en escenarios comerciales reales. Por lo tanto, este documento propone un algoritmo de red neuronal en grafo basado en recursión controlada (GR-GNN) para resolver tareas como extracciones de características dependientes de la profundidad del nodo y clasificaciones de nodos para datos estructurados en grafo. La unidad de red neuronal GRU se utilizó para completar la tarea de clasificación de nodos y, por lo tanto, construir el modelo GR-GNN. Para verificar la precisión, efectividad y superioridad del algoritmo en los conjuntos de datos abiertos Cora, CiteseerX y PubMed, se utilizó el algoritmo para comparar los resultados de operación con los algoritmos de referencia de red neuronal en grafo clásicos GCN, GAT y GraphSAGE, respectivamente. Los resultados experimentales muestran que, en el conjunto de validación, la precisión y la pérdida objetivo del algoritmo GR-GNN son mejores o iguales a otros algoritmos de referencia; en cuanto a la velocidad de convergencia del algoritmo, el rendimiento del algoritmo GR-GNN es comparable al del algoritmo GCN, que es mayor que otros algoritmos. Los resultados de la investigación muestran que el algoritmo GR-GNN propuesto en este documento tiene una alta precisión y eficiencia computacional, y una gran significancia de aplicación.