现有的社会化推荐算法大多着眼于用户购买或点击等单一的交互行为，并未同时考虑收藏、浏览等多种不同的交互行为.而且当前的社会化推荐算法重点只关注推荐的准确性，忽略了推荐结果的可解释性.针对以上问题，提出了一种基于图神经网络的社会化推荐算法SRGN，将用户的社交关系和物品间客观存在的语义联系以特定的方式注入到算法架构中，并且利用消息传递的方式实现交互的多行为联合编码，从而提升推荐的准确性.此外，设计了可解释模块为推荐结果提供推荐的理由.在两个真实数据集上与其他8种算法进行对比实验，结果表明提出的算法在推荐性能和用户友好性上具有明显的优势.