Ces dernières années, les Réseaux Neuronaux sur Graphes (RNG) ont démontré leur puissance dans l'apprentissage sur des données de graphe, en intégrant naturellement les informations des nœuds et la structure topologique. Ces avantages des RNG offrent un grand potentiel pour améliorer les recommandations sociales, car les données des systèmes de recommandation sociale peuvent être représentées sous forme de graphe social utilisateur-utilisateur et de graphe utilisateur-élément ; et l'apprentissage des facteurs latents des utilisateurs et des éléments est essentiel. Cependant, la construction de systèmes de recommandation sociale basés sur les RNG rencontre des défis. Par exemple, le graphe utilisateur-élément encode à la fois les interactions et leurs opinions associées ; les relations sociales présentent une hétérogénéité de force ; les utilisateurs sont impliqués dans deux graphes (par exemple, le graphe social utilisateur-utilisateur et le graphe utilisateur-élément). Pour relever simultanément ces trois défis mentionnés précédemment, nous présentons dans cet article un nouveau cadre de réseau neuronal sur graphe (GraphRec) pour les recommandations sociales. Plus précisément, nous proposons une approche fondée sur des principes pour capturer conjointement les interactions et les opinions dans le graphe utilisateur-élément, ainsi que le cadre GraphRec qui modélise cohéremment deux graphes et leurs forces hétérogènes. De nombreuses expérimentations menées sur deux jeux de données réels démontrent l'efficacité du cadre proposé GraphRec. Notre code est disponible à l'adresse \url{https://github.com/wenqifan03/GraphRec-WWW19}.