Dado que la información de interacción usuario-elemento suele ser limitada, los sistemas de recomendación basados en filtrado colaborativo (CF) a menudo sufren del problema de la escasez de datos. Para abordar este problema, los sistemas de recomendación recientes han recurrido a las redes neuronales de grafos (GNNs) debido a su rendimiento superior en la captura de relaciones de alto orden. Además, algunos de estos modelos de recomendación basados en GNN también intentan incorporar otra información. Ya sea que extraigan señales auto-supervisadas para mitigar el problema de la escasez de datos o utilicen información social para ayudar a aprender representaciones mejores en un entorno de recomendación social. Sin embargo, solo unos pocos métodos pueden aprovechar al máximo estos diferentes aspectos de la información. Basándonos en algunas pruebas, creemos que la mayoría de estos métodos son complejos y redundantes, lo que puede llevar a resultados subóptimos. En este documento, proponemos SSGCL, que es un modelo de sistema de recomendación que utiliza tanto información social como información auto-supervisada. Diseñamos una estrategia de propagación basada en GNN que integra la información social con la información de interés de una manera simple pero efectiva para aprender representaciones de usuario-elemento para recomendaciones. Además, se emplea un módulo de aprendizaje contrastivo especialmente diseñado para aprovechar las señales auto-supervisadas para una mejor distribución de representación usuario-elemento. El módulo de aprendizaje contrastivo se optimiza conjuntamente con el módulo de recomendación para beneficiar el resultado final de la recomendación. Los experimentos en varios conjuntos de datos de referencia demuestran la mejora significativa en el rendimiento lograda por nuestro modelo en comparación con los modelos base.