التوصية الاجتماعية تستفيد من المعلومات الاجتماعية لحل مشكلتي ندرة البيانات وبداية البرود في طرق التصفية التعاونية التقليدية. ومع ذلك، فإن معظم النماذج الحالية تفترض أن التأثيرات الاجتماعية من المستخدمين الأصدقاء ثابتة وأنها تأخذ أشكال أوزان ثابتة أو قيود محددة. لتفكيك هذا الافتراض القوي، نقترح في هذه الورقة شبكات الرعاية الثنائية للبيانات (Dual Graph Attention Networks) لتعلم تمثيلات بشكل تعاوني لتأثيرات اجتماعية ثنائية، حيث يتم نمذجة أحدها بواسطة وزن رعاية خاص بالمستخدم والآخر بواسطة وزن رعاية ديناميكي يعتمد على السياق. كما نوسع التأثيرات الاجتماعية في مجال المستخدم إلى مجال العناصر، بحيث يمكن الاستفادة من المعلومات المتعلقة بالعناصر لتخفيف مشكلة ندرة البيانات بشكل أكبر. بالإضافة إلى ذلك، مع الأخذ بعين الاعتبار أن التأثيرات الاجتماعية المختلفة في المجالين يمكن أن تتداخل مع بعضها وتؤثر بشكل مشترك على تفضيلات المستخدم للعناصر، نقترح استراتيجية دمج جديدة تعتمد على السياسة بناءً على الباندا متعدد الذراعيات السياقي (Contextual Multi-Armed Bandit) لتقييم تفاعلات مختلف التأثيرات الاجتماعية. تجارب أجريت على مجموعة بيانات معيارية ومجموعة بيانات تجارية أكدت فعالية المكونات الرئيسية في نموذجنا. تظهر النتائج أن نموذجنا حقق تحسيناً كبيراً في دقة التوصيات مقارنة بطرق التوصية الاجتماعية الأكثر حداثة وأداءً.