Los sistemas de recomendación han revolucionado la forma en que los usuarios descubren y se involucran con el contenido. Más allá del enfoque de filtrado colaborativo, la mayoría de los sistemas de recomendación modernos aprovechan fuentes adicionales de información, como el contexto y los datos de redes sociales. Tales datos pueden ser modelados utilizando grafos, y los avances recientes en Redes Neuronales de Grafos han llevado a la prominencia de una nueva familia de algoritmos de sistemas de recomendación basados en grafos. En este trabajo, proponemos el algoritmo RelationalNet, que no solo modela las relaciones usuario-ítem y usuario-usuario, sino también las relaciones ítem-ítem con grafos y las utiliza como entrada en el proceso de recomendación. La razón para utilizar interacciones ítem-ítem es enriquecer las incrustaciones de ítems aprovechando las similitudes entre ellos. Al utilizar Redes Neuronales de Grafos (GNNs), RelationalNet incorpora la influencia social y la influencia de ítems similares en el proceso de recomendación y captura intereses de usuario más precisos, especialmente cuando los métodos tradicionales fallan debido a la escasez de datos. Dichos modelos mejoran la precisión y efectividad de los sistemas de recomendación aprovechando las conexiones sociales e interacciones de ítems. Los resultados demuestran que RelationalNet supera a los algoritmos de recomendación social actuales de última generación.