La revisión de código como práctica efectiva de aseguramiento de la calidad del software se ha aplicado ampliamente en muchas comunidades de software de código abierto. Sin embargo, encontrar un revisor adecuado para ciertos códigos puede ser muy desafiante en comunidades de código abierto debido a la dificultad de aprender las características de los revisores y la escasez de interacción entre revisores y código en las comunidades de software de código abierto. Para abordar este problema, la mayoría de enfoques anteriores se centran en aprender las capacidades y experiencias de los desarrolladores y recomendar desarrolladores adecuados en función de sus interacciones históricas. Sin embargo, tales enfoques suelen sufrir de problemas de escasez de datos y ruido, lo que puede reducir la precisión de la recomendación. En este documento, proponemos un marco de recomendación de revisores de código mejorado con propagación de incrustación de vecinos atentos (ANEP). En ANEP, primero construimos el grafo de interacción revisor-código y aprendemos las representaciones semánticas del revisor y del código basadas en el modelo transformador. Luego, exploramos explícitamente la propagación de incrustaciones atentas de alto orden de revisores y código y refinamos las representaciones a lo largo de sus vecinos. Finalmente, para evaluar la efectividad de ANEP, realizamos experimentos extensos en cuatro conjuntos de datos del mundo real. Los resultados experimentales muestran que ANEP supera significativamente a otros enfoques de vanguardia.