Online-Communities wie Facebook und Twitter genießen enormen Zuspruch und sind zu einem wesentlichen Bestandteil des täglichen Lebens vieler ihrer Nutzer geworden. Über diese Plattformen können Nutzer Informationen entdecken und erstellen, die von anderen konsumiert werden. In diesem Kontext wird die Empfehlung relevanter Informationen für die Machbarkeit entscheidend. Allerdings ist die Empfehlung in Online-Communities ein anspruchsvolles Problem: 1) Die Interessen der Nutzer sind dynamisch, und 2) Nutzer werden von ihren Freunden beeinflusst. Zudem können die Einflussnehmer kontextabhängig sein. Das bedeutet, dass verschiedene Freunde auf unterschiedliche Themen vertrauenswürdig sein können. Die Modellierung beider Signale ist daher für Empfehlungen unerlässlich.Wir schlagen ein Empfehlungssystem für Online-Communities vor, das auf einem dynamischen Graph-Attention-Neural Network (Dynamisches Graph-Aufmerksamkeits-Neuronales Netzwerk) basiert. Wir modellieren dynamisches Nutzerverhalten mit einem rekurrenten neuronalen Netzwerk und kontextabhängigen sozialen Einfluss mit einem Graph-Attention-Neural Network, das die Einflussnehmer dynamisch anhand der aktuellen Interessen der Nutzer ableitet. Das gesamte Modell kann effizient auf großen Datenmengen angepasst werden. Experimentelle Ergebnisse mehrerer realweltlicher Datensätze zeigen die Effektivität unseres vorgeschlagenen Ansatzes im Vergleich zu mehreren wettbewerbsfähigen Baselines, darunter auch den neuesten Modellen.