Los métodos de Filtrado Colaborativo de Gráficos (GCF) han surgido como un enfoque efectivo de recomendación, capturando las preferencias de los usuarios sobre los elementos mediante la modelización de gráficos de interacción usuario-elemento. Sin embargo, estos métodos sufren de escasez de datos en escenarios reales, y su rendimiento puede mejorarse utilizando el aprendizaje contrastivo. En este documento, proponemos un método optimizado, llamado LoRA-NCL, para GCF basado en Aprendizaje Contrastivo Enriquecido por Vecindario (NCL) y reducción de dimensionalidad de rango bajo. Incorporamos características de rango bajo obtenidas a través de la factorización de matrices en el marco NCL y empleamos LightGCN para extraer representaciones de alta dimensionalidad. Experimentos extensos en cinco conjuntos de datos públicos demuestran que el método propuesto supera a un modelo base competitivo de filtrado colaborativo de gráficos, logrando ganancias de rendimiento del 4.6% en el conjunto de datos de MovieLens, respectivamente.