推薦システム（RS）はデジタル空間において広く普及している。本研究では、RSにおける3つの実用的課題—高次元データの複雑な構造、関係情報におけるノイズ、機械学習アルゴリズムのブラックボックス性—に対処するため、深層学習に基づくアプローチを提案する。提唱する手法である「マルチグラフ・グラフアテンションネットワーク（MG-GAT）」は、各ユーザー（事業体）の近隣ノードを対象とする「近隣重要度グラフ」上で、多様な情報を集約することで、潜在的なユーザーおよび事業体表現を学習する。Yelpから収集した2つの大規模データセットおよびRS分野における4つの標準データセットを用いた推薦タスクにおいて、MG-GATは最先端の深層学習モデルを上回る性能を発揮した。この性能向上は、MG-GATが原理的かつ統合的な枠組みでマルチモーダル特徴を組み込む優位性を示している。特徴量の重要度、近隣重要度グラフ、潜在表現の分析から、予測に寄与する特徴およびユーザー・事業体の説明可能な特性に関するビジネスインサイトが得られた。さらに、学習された近隣重要度グラフは、顧客ターゲティング、新規事業のプロモーション、情報収集戦略の設計など、多様な経営応用に活用可能である。本研究は、深層学習モデルを活用した大規模データの実践的応用の典型例を提示するとともに、現実世界の意思決定に不可欠な解釈可能性を提供している。