随着现代医药技术和计算机技术的发展，采用人工智能技术来加速药物的研发进度成为了研究热点，而对有机化学反应产物的高效预测是药物逆合成路线设计中的关键问题。针对样本数据集中化学反应类型分布不均匀的问题，提出了一种主动采样训练下的门控图卷积神经网络（ASGGCN）模型。首先，输入化学反应物的简化分子线性输入规范（SMILES）编码，通过门控图卷积神经网络（GGCN）以及注意力机制预测反应中心所在位置；然后，根据化学约束条件和候选反应中心枚举出可能的化学键组合来生成候选产物，再通过门控图卷积差分网络对候选产物进行筛选；最终，得到反应产物。门控图卷积神经网络拥有三个权重参数矩阵并通过门控对信息加以融合，与传统的图卷积神经网络相比，它能获取更加丰富的原子隐藏特征信息。通过主动采样的方式进行训练，使得该模型能够兼顾较差样本和普通样本的分析能力。实验结果表明，所提模型对化学反应产物的Top-1预测准确率可达87.2%，对比Weisfeiler-Lehman差分网络（WLDN）模型提高了1.6个百分点，可见模型能够更准确地预测有机化学反应产物。