互联网技术的快速发展导致信息的爆炸式增长,海量的信息满足了用户对信息的需求,但同时也带来严重的信息过载问题。作为解决信息过载问题的有力手段,推荐系统可以根据用户的个性需求、兴趣爱好、历史行为等信息,以个性化地方式为用户提供其感兴趣的信息、物品等。推荐系统的早期方法大多基于协同过滤思想和物品内容特征。最近,随着深度学习、注意力机制、图卷积网络在各自领域相继取得成功,研究人员开始尝试将这些新兴技术应用到推荐系统中,并开创性地设计了许多新颖有效的推荐模型。目前,通过借助新的表示学习技术或引入辅助信息以提高嵌入的表示能力成为推荐算法研究的核心内容。图结构数据蕴含丰富的结构信息和高阶关系信息,受到推荐系统领域研究人员越来越多的关注。基于此,神经图协同过滤（NGCF）设计了一种在图结构上递归地传播嵌入信息的推荐模型,并通过探索用户和物品之间的高阶连通关系捕获协同信号。但是,NGCF在嵌入信息传播的过程中没有考虑时间上下文对于用户偏好的影响,也没有区分不同邻居节点信息对目标节点表示的贡献。为了解决上述两个问题,本文在NGCF的基础上提出融合时间因子和注意力的图协同过滤模型TAGCF。该模型利用时间因子将时间信息融入到嵌入信息传播过程中,利用注意力机制来区分不同邻居的嵌入信息的影响。具体而言,对于每个一阶邻居的嵌入分别乘以一个时间因子和注意力系数构成两种嵌入信息,时间因子是基于交互发生的时间计算的,注意力系数是基于相似度确定的。然后将两种嵌入信息相加,利用聚合函数聚合所有邻居节点传播的嵌入信息以增强目标节点的表示。重复此过程以进行高阶信息传播聚合,利用注意力机制组合在不同传播阶下获得的嵌入表示,最后通过内积进行交互生成用户对物品的预测分数。通过在两个推荐系统数据集Movie Lens和Amazon-books上与NGCF等多个基线方法进行对比实验,以Recall、Precision、Hit、NDCG作为评价指标,验证了TAGCF的有效性及时间信息和注意力的作用。