社会推薦は、伝統的な協調フィルタリング手法におけるデータの希少性とコールドスタート問題を解決するために、ソーシャル情報を活用します。しかし、既存のモデルの多くは、友人のユーザーからのソーシャル効果が静的であり、一定の重みや固定制約の形を取ると仮定しています。この強い仮定を緩和するため、本論文では二重グラフアテンションネットワークを提案し、2つのソーシャル効果の表現を協調的に学習します。一方はユーザ固有の注意重みでモデル化され、他方は動的かつコンテキストに応じた注意重みでモデル化されます。さらに、ユーザ領域でのソーシャル効果をアイテム領域にも拡張することで、関連アイテムからの情報も活用し、データ希少性問題の緩和に寄与します。また、2つの領域における異なるソーシャル効果が互いに作用し合い、ユーザーのアイテムに対する好みに共同して影響を与えることを考慮し、コンテキストに基づくマルチアームバンディットを使用した新しいポリシーに基づく融合戦略を提案します。ベンチマークデータセットと商業データセットでの実験により、当モデルの主要な構成要素の有効性が確認されました。結果は、他の最先端の社会推薦手法と比較して当モデルが推薦精度において大幅な改善を達成していることを示しています。