社交推荐系统认为有社会关系的用户有相似的偏好。传统的社交推荐系统通常直接将这种关系作为正则化器来约束用户的最终表示或者作为输入来增强用户原始嵌入，这种做法仅仅考虑了用户一阶邻居的影响而忽略高阶影响在社交网络中的递归扩散作用。在现实生活中，用户可能会受到他朋友的朋友的影响。图神经网络能够模拟用户如何受到递归的社会扩散过程的影响.将图的构造方法分为堆叠图和超图两大类来捕捉社交图中的高阶关系。堆叠图是指将多个GNN层堆叠，但是，堆叠的GNN层会遇到过平滑问题，从而导致推荐性能下降。MHCN模型提出用超图来构建高阶社会关系，是一种更自然的方式。

       对于构建的社会推荐图上的传播，主要有两种传播机制，即平均池化(average-pooling, GCN)和注意机制(attention mechanism, GAT)。具有平均池化机制的方法在社交图谱上进行平均池化传播(GCN)，平等对待朋友的社会影响力。RecoGCN在构建的图上进行基于元路径的GCN传播，以捕获社会影响和用户偏好。HOSR利用GCN聚合来自邻居的信息，获取社会图中的高阶关系。MHCN在构造的超图上使用GCN进行传播，以获得高阶社会关系。具有注意机制的方法，如GraphRec和DiffNet++，假设社交图上不同邻居的社会影响是不同的，并对不同朋友的社会影响赋予不同的权重。

       在社交推荐中，从两个不同的角度学习用户表示，即社交影响和用户交互。结合用户表示从上述两个角度,分别有两种策略,1)学习用户社交图的表示和user-item二部图；2)共同学习统一的用户表示图,包括社交图和user-item二部图。采用第一种策略的方法，如DiffNet、GraphRec和MHCN，首先分别从社交图和用户-项目图中学习用户表示，然后将表示与总和池结合起来。MLP或注意机制。DiffNet++是采用第二种策略的典型方法，它首先利用GAT机制对用户-项目子图和社会子图中的信息进行聚合，然后在每一层将表示与设计的多级注意网络相结合。