La información de las redes sociales ha sido ampliamente aplicada a recomendaciones tradicionales que han recibido una atención significativa en los últimos años. La mayoría de los modelos de recomendación social existentes tienden a usar relaciones por pares para explorar las preferencias potenciales de los usuarios, pero pasan por alto la complejidad de las interacciones en la vida real entre los usuarios y el hecho de que las relaciones de los usuarios pueden ser de orden superior. Estos enfoques también ignoran la naturaleza dinámica de la influencia de los amigos, lo que lleva a los modelos a tratar diferentes influencias de amigos de manera igual en diferentes formas. Para abordar esto, proponemos un algoritmo de recomendación social que incorpora la incrustación de gráficos y la maximización de la información mutua de orden superior basada en la consideración de la consistencia social. Específicamente, utilizamos el modelo de atención de gráficos para construir información de orden superior entre los usuarios para una minería más profunda de sus patrones de comportamiento por un lado; mientras que, por otro lado, modela la incrustación de usuarios basada en el principio de consistencia social para finalmente lograr una inferencia más detallada de los intereses de los usuarios. Además, para aliviar el problema de perder su propia información jerárquica después de fusionar diferentes niveles de hipergráficos, utilizamos el aprendizaje auto-supervisado para construir ramas auxiliares que mejoren completamente la información rica en el hipergrafo. Los resultados experimentales realizados en dos conjuntos de datos públicos muestran que el modelo propuesto supera a los métodos de vanguardia.