En los últimos años, se ha demostrado que las redes neuronales de grafos (GNNS) son una forma poderosa de aprender datos de grafos. Los sistemas de recomendación existentes basados en modelos de factores implícitos utilizan principalmente la información de interacción entre usuarios y artículos para el entrenamiento y el aprendizaje. Se construye un grafo de usuario-artículo, un grafo de usuario-atributo y un grafo de artículo-atributo según las interacciones entre usuarios y artículos. Los factores latentes de usuarios y artículos se pueden aprender en estos datos de estructura de grafo. Hay muchos métodos para aprender los factores latentes de usuarios y artículos. Sin embargo, no consideran completamente la influencia de la información de atributos de nodo en la representación de los factores latentes de usuarios y artículos. Proponemos un modelo de recomendación de predicción de calificaciones, abreviado como LNNSR, que utiliza el nivel de granularidad de la información asignada a cada atributo mediante el desarrollo de una red neuronal granular. Las diferentes proporciones de distribución de granularidad de cada atributo se pueden aprender en la red neuronal granular. Los pesos de proporción de asignación de granularidad aprendidos se integran en la representación de factores latentes de usuarios y artículos. Así, podemos capturar representaciones de incrustación de usuarios y representaciones de incrustación de artículos de manera más precisa, y también puede proporcionar una explicación razonable para los resultados de recomendación. Finalmente, concatenamos la incrustación de factores latentes de usuario y la incrustación de factores latentes de artículo y luego la alimentamos a un perceptrón multicapa para la predicción de calificaciones. Experimentos extensivos en dos conjuntos de datos del mundo real demuestran la efectividad del marco propuesto.