Soziale Empfehlungen nutzen soziale Informationen, um Datenknappheit und Kaltstartprobleme in traditionellen kollaborativen Filterverfahren zu lösen. Die meisten existierenden Modelle gehen jedoch davon aus, dass soziale Einflüsse von Freundbenutzern statisch sind und in Form konstanter Gewichte oder fester Einschränkungen vorliegen. Um diese starke Annahme abzuschwächen, schlagen wir in diesem Artikel duale Graph-Attention-Netzwerke (dual graph attention networks) vor, um Darstellungen für zweifache soziale Effekte kollaborativ zu lernen. Einer dieser Effekte wird durch ein benutzerbezogenes Aufmerksamkeitsgewicht modelliert, während der andere durch ein dynamisches und kontextsensitives Aufmerksamkeitsgewicht dargestellt wird. Wir erweitern zudem die sozialen Effekte im Benutzerbereich auf den Bereich der Elemente (item domain), sodass Informationen von verwandten Elementen genutzt werden können, um das Problem der Datenknappheit weiter zu mildern. Darüber hinaus berücksichtigen wir, dass verschiedene soziale Effekte in beiden Bereichen miteinander interagieren und gemeinsam die Benutzerpräferenzen für Elemente beeinflussen können. Deshalb schlagen wir eine neue fusionierende Strategie basierend auf kontextuellen Multi-Armed-Bandits (contextual multi-armed bandit) vor, um die Interaktionen verschiedener sozialer Effekte zu gewichten. Experimente mit einem Benchmark-Datensatz und einem kommerziellen Datensatz bestätigen die Wirksamkeit der wesentlichen Komponenten unseres Modells. Die Ergebnisse zeigen, dass unser Modell im Vergleich zu anderen state-of-the-art-Verfahren für soziale Empfehlungen eine erhebliche Verbesserung der Empfehlungsgenauigkeit erreicht.