Las plataformas digitales para el patrimonio cultural inmaterial (PCI) funcionan como vibrantes mercados electrónicos, pero enfrentan problemas de sobrecarga de contenido, altos costos de búsqueda y redes sociales de custodios del patrimonio poco aprovechadas. Para abordar estos desafíos del comercio electrónico, presentamos GCHS, un modelo de aprendizaje profundo basado en grafos y consciente de los custodios que mejora la recomendación de PCI al unir tres señales críticas: las relaciones sociales de los custodios, los perfiles de interés de los usuarios y los metadatos del contenido. Aprovechando un mecanismo de atención, GCHS prioriza dinámicamente a los custodios influyentes y los comportamientos de re-compartición para agilizar el descubrimiento y la participación de los usuarios. Primero caracterizamos los patrones de propagación específicos del PCI, por ejemplo, la influencia social de los custodios, los intereses heterogéneos de los usuarios y la co-consumo de contenido, y luego codificamos estos factores dentro de un marco de grafos colaborativos. La evaluación en un conjunto de datos de PCI del mundo real demuestra que GCHS ofrece mejoras en la precisión de recomendación Top-N sobre los principales puntos de referencia y supera significativamente en términos de predicción de secuencias next-N. Al integrar dimensiones sociales, culturales y transaccionales, nuestro enfoque no solo impulsa interacciones de comercio digital más efectivas en torno al contenido patrimonial, sino que también apoya la difusión cultural sostenible y la participación de las partes interesadas. Este trabajo avanza la investigación en comercio electrónico al ilustrar cómo el aprendizaje profundo basado en grafos puede optimizar el descubrimiento de contenido, personalizar la experiencia del usuario y reforzar las redes comunitarias en ecosistemas digitales de patrimonio.