La mayoría de los sistemas de recomendación basados en filtrado colaborativo existentes dependen únicamente de las interacciones disponibles entre usuarios e ítems para el aprendizaje de representaciones de usuarios e ítems. Su rendimiento a menudo sufre significativamente cuando las interacciones son escasas, ya que las interacciones limitadas entre usuarios e ítems son insuficientes para aprender representaciones robustas. Para abordar este problema, investigaciones recientes han explorado información adicional entre usuarios e ítems mediante el aprovechamiento del grafo bipartito usuario-ítem. Sin embargo, estos métodos no han explotado completamente la información de vecindario de alto orden, principalmente utilizando interacciones muestreadas para enriquecer los datos de entrenamiento en lugar de integrar esta información directamente en el aprendizaje de representaciones. En este documento, proponemos un modelo novedoso, EIR-GCN (Integración de Incrustación con Redes Convolucionales de Grafos Relacionales), que incorpora directamente varios tipos de relaciones colaborativas, como interacciones usuario-usuario e ítem-ítem, en la función de incrustación para el modelado de preferencias de usuario. Específicamente, nuestro modelo emplea técnicas avanzadas de redes convolucionales de grafos (GCN) para integrar relaciones usuario-ítem, usuario-usuario e ítem-ítem para un aprendizaje de representaciones completo. EIR-GCN selecciona inicialmente los vecinos de segundo orden más influyentes del grafo bipartito usuario-ítem para formar conexiones usuario-usuario e ítem-ítem. Con estas conexiones enriquecidas, se adopta un método de paso de mensajes para aprender representaciones de nodos mediante la agregación de mensajes de nodos directamente conectados, incluyendo vecinos de ítems de primer orden y vecinos de usuarios de segundo orden seleccionados. Experimentos extensos en varios conjuntos de datos públicos demuestran que EIR-GCN supera a baselines sólidos, incluidos modelos basados en GCN recientes y aquellos que explotan información de alto orden. Nuestros resultados muestran que EIR-GCN logra un rendimiento de vanguardia y aborda eficazmente el problema de la dispersión, destacando su robustez y eficacia en tareas de recomendación.