Les communautés en ligne telles que Facebook et Twitter sont extrêmement populaires et sont devenues une partie essentielle de la vie quotidienne de nombreux utilisateurs. Grâce à ces plateformes, les utilisateurs peuvent découvrir et créer des informations que d'autres consommeront ensuite. Dans ce contexte, recommander des informations pertinentes aux utilisateurs devient crucial pour la viabilité de ces communautés. Cependant, la recommandation dans les communautés en ligne est un problème complexe : 1) les intérêts des utilisateurs sont dynamiques, et 2) les utilisateurs sont influencés par leurs amis. De plus, ces influences peuvent être dépendantes du contexte. Autrement dit, différents amis peuvent être sollicités pour différents sujets. Modéliser ces deux signaux est donc essentiel pour les recommandations.Nous proposons un système de recommandation pour les communautés en ligne basé sur un réseau neuronal à attention dynamique (dynamic-graph-attention neural network). Nous modélisons les comportements utilisateur dynamiques avec un réseau neuronal récurrent, et l'influence sociale dépendante du contexte avec un réseau neuronal à attention graphique, qui infère dynamiquement les influenceurs en fonction des intérêts actuels des utilisateurs. Le modèle global peut être ajusté efficacement sur des données à grande échelle. Les résultats expérimentaux sur plusieurs jeux de données réels démontrent l'efficacité de notre approche proposée par rapport à plusieurs baselines compétitives, y compris des modèles d'avant-garde (state-of-the-art models).