在推荐任务中用户社交网络信息和用户-项目交互信息可以用来提高推荐性能。但现有的社交推荐算法往往仅使用初始的社交图与交互图，未充分挖掘用户间以及项目间潜在的链接关系，同时没有考虑社交关系中的不可靠性。为此，提出融合隐式关系的图神经网络推荐算法(IREGraphRec)。首先，在多视角下挖掘实体间潜在信息来获取可靠的用户社交信息及用户项目交互信息，并将其重构为基于用户偏好的异构信息网络，运用图谱嵌入和定义多种元路径方式获得特征向量表示，同时使用注意力机制为其在信息聚合中分配不同的权重。最后，在图神经网络中进行多轮学习来获得最终的预测结果。在Epinions等三个公开的数据集上与S4Rec等传统网络模型进行对比，在MAE上降低了1.65%,在RMSE上降低了2.34%。实验结果和分析证明提出模型更具优势。