随着互联网和物联网环境下信息资源的日益增多,用户在面临大量纷繁复杂的信息时难以获取、理解并准确找到自己真正感兴趣的那部分信息,如此海量的数据需要一种有效的信息过滤机制。于是推荐系统作为一种可以帮助用户挖掘其潜在兴趣的工具应运而生。其中,协同过滤是应用最广泛的经典算法之一,其思想是在具有相似偏好的用户之间进行推荐。尽管其研究成果已经取得巨大成功,但仍存在不足,因其利用的评分矩阵通常是高度稀疏且不完整的,限制了其在大容量、复杂和不断发展的大数据环境中的应用。近年来,利用社交网络解决推荐系统中的数据稀疏性和冷启动问题已经成为了一个研究热点。如今在大数据和物联网环境下,社交网络的定义不再局限于人与人之间,其概念和技术已经延伸扩展到人与物、物与物之间。然而,现有基于社交推荐的研究主要利用人与人之间的社交关系来实现人与物品的交互,但是忽略了物品之间存在的隐式社交关系,从而导致推荐性能不佳。基于此,本文提出了一种基于多维（用户-物品交互,显式特征,隐式特征）社交关系图聚合的协同过滤推荐方法（MSGA-CF）。首先利用图神经网络构建人与人、人与物、物与物之间的社交关系图,在图上传播节点的嵌入,聚合信息后应用Attention机制整合邻居节点信息,继而利用多层感知器（MLP）深度挖掘用户之间的偏好相似性、物品之间的特征相关性以及用户-物品交互的耦合性,最后提出MSGA-CF模型融合这些异质信息,从而为用户推荐最能满足其当前所需的商品或服务,实现了社交推荐的可拓展性。在三个真实且可实践的数据集Ciao、Epinions和Movie Lens 1M上进行训练验证,结果表明在平均绝对误差（MAE）和均方根误差（RMSE）两种评价指标上与基线算法相比,获得2%-17%的性能提升,验证了本文方法具有较好的推荐精度和可解释性。该论文有图30幅,表7个,参考文献66篇。