Los comportamientos de los usuarios y las interacciones sociales en las plataformas en línea están intrínsecamente entrelazados, formando naturalmente estructuras gráficas complejas. Aprovechando esta estructura, las Redes Neuronales Gráficas (GNNs) agregan de manera eficiente la información del vecindario y se han convertido en un paradigma predominante para la recomendación social. Sin embargo, los métodos existentes a menudo enfatizan en exceso el modelado social mientras pasan por alto los efectos conjuntos del filtrado de relaciones guiado por preferencias y los sesgos de usuario/artículo, lo que los hace vulnerables al ruido de vínculos redundantes. Para abordar estas limitaciones, proponemos PDDSR, un marco de Recomendación Social de Dessesgo y Denoising Guiado por Preferencias. Específicamente, para el desesgo, PDDSR modela explícitamente el sesgo de calificación del usuario y el sesgo de popularidad del artículo como vectores aprendibles, integrándolos en el aprendizaje de incrustaciones para mitigar el desplazamiento del sesgo a nivel de incrustación. Al mismo tiempo, para el denoising, el modelo emplea un mecanismo de confianza en las relaciones sociales guiado por las preferencias del usuario y adopta una estrategia de denoising gráfico adaptativa para retener conexiones altamente informativas, capturando efectivamente la influencia social mientras filtra el ruido. Experimentos extensivos en los conjuntos de datos Ciao y Epinions demuestran que PDDSR supera consistentemente a los métodos de vanguardia, y notablemente en el conjunto de datos Ciao, el MAE y el RMSE mejoran en un 1.90% y un 1.87%, respectivamente. Estos resultados validan la efectividad y robustez del mecanismo conjunto de desesgo y denoising en escenarios complejos de recomendación social.