Actualmente, la mayoría de los algoritmos de recomendación solo utilizan un solo tipo de información sobre el comportamiento del usuario para predecir el comportamiento objetivo. Sin embargo, al navegar y seleccionar artículos, los usuarios generan otros tipos de información sobre el comportamiento, que es importante, pero a menudo no es analizada o modelada por los algoritmos de recomendación tradicionales. Este estudio tiene como objetivo diseñar un algoritmo de recomendación multi-comportamiento basado en redes neuronales de grafos mediante el análisis de múltiples tipos de información sobre el comportamiento en el proceso de compra de productos de los usuarios, para aprovechar completamente múltiples tipos de información sobre el comportamiento del usuario. El algoritmo modela a los usuarios, artículos y comportamiento del usuario en múltiples dimensiones al incorporar mecanismos de atención y aprendizaje multi-comportamiento en redes neuronales de grafos, y resuelve el problema de los pesos de comportamiento del usuario desequilibrados desde la perspectiva de la optimización de la pérdida de múltiples tareas. Tras la verificación experimental, propusimos que el algoritmo de red de atención de grafos multi-comportamiento (MGAT) tiene un mejor rendimiento en comparación con otros cuatro algoritmos de recomendación clásicos en los conjuntos de datos de Beibei y Taobao. Los resultados demuestran que el algoritmo de recomendación multi-comportamiento basado en redes neuronales de grafos tiene aplicabilidad para aprovechar completamente múltiples tipos de información del usuario, y puede resolver el problema de los pesos de comportamiento del usuario desequilibrados hasta cierto punto.