En los últimos años, las redes neuronales de grafos (GNNs) se han aplicado ampliamente en sistemas de recomendación. Sin embargo, la mayoría de los modelos de GNN existentes no consideran completamente las relaciones complejas entre nodos heterogéneos y omiten la información semántica de alto orden en las interacciones entre diferentes tipos de nodos, lo que limita el rendimiento de recomendación. Para abordar estos problemas, este artículo propone un modelo de recomendación de red neuronal de grafo heterogéneo basado en semántica de alto orden y atención de nodos (HAS-HGNN). En primer lugar, HAS-HGNN agrega las características de los nodos vecinos directos a través de una capa de agregación de intereses para capturar la información de los elementos en los que los usuarios están interesados. Este método de captura de las características de los nodos que interactúan directamente puede descubrir efectivamente los intereses potenciales de los usuarios. Mientras tanto, considerando que los usuarios con múltiples interacciones pueden compartir intereses similares, en la capa de captura de características de interés común, HAS-HGNN utiliza relaciones semánticas para capturar las características de los usuarios con los mismos intereses, generando características de interés comunes entre usuarios con múltiples interacciones. Finalmente, HAS-HGNN combina las características directas de los usuarios con las características de interés entre otros usuarios a través de una capa de fusión de características para generar la representación final de características. Los resultados experimentales muestran que el modelo propuesto supera significativamente a los métodos de referencia existentes en múltiples conjuntos de datos del mundo real, proporcionando nuevas ideas y métodos para la aplicación de redes neuronales de grafos heterogéneos en sistemas de recomendación.