随着网络上的信息越来越多和现代社会生活节奏的加快,信息过载的问题也愈加明显,获取信息的效率也显得越来越重要。如何从浩如烟海的信息中发掘出用户的偏好和行为模式,准确的做出推荐就成了当下推荐系统亟需解决的问题。从以You Tube为首的视频平台到阿里巴巴为首的各类电商平台,根据用户的历史行为预测用户感兴趣的视频或商品,各种各样的推荐系统提高了用户的浏览体验。协同过滤是一种经典的推荐算法,它基于购买同样商品的用户拥有相似偏好的假设,把有相似购买经历的用户所购买的商品相互推荐。但是由于用户和商品之间的互动十分稀疏,也无法反映不同时间节点用户偏好的变化,传统协同过滤的效果也非常有限。在现实场景下,大量数据是以图的形式存在的,每个图存在着数多种不同的边,例如行为数据、商品之间的关系、用户和商品之间的关系,同时很多关系具有时间属性,例如用户对商品的购买记录和评价信息。本文基于异构图注意力网络（Heterogeneous Graph Attention Network,HGAN）和循环神经网络算法（Recurrent Neural Network,RNN）,提出了一种新的包含时序信息的异构图注意力网络推荐算法（Heterogeneous Graph Attention Network with Time for Recommendation,HGANTRec）,能够学习图数据中局部子图的拓扑结构和上下文信息,以及用户过去对商品的购买和评价的时序信息,使得输出的结果更加符合用户的行为,从而提高用户获得推荐结果时的体验。最后,在公开数据集Amazon上三个拥有数百万条边的子集上进行了具有挑战性的验证。通过一系列对比实验可以看出,基于异构图注意力网络和循环神经网络的推荐算法在相应的评价指标下,较所对照的经典算法推荐准确性有一定的提升,同时在符合现实场景的数据集上的实验也验证了模型的有效性和高效性。