غالبًا ما تعاني التصفية التشاركية من مشكلات الندرة وبداية البرود في السيناريوهات الحقيقية للترشيح، ولذلك، يستخدم الباحثون والمهندسون عادةً المعلومات الجانبية لمعالجة هذه المشكلات وتحسين أداء أنظمة التوصية. في هذا البحث، نعتبر الرسوم البيانية للمعرفة كمصدر للمعلومات الجانبية. نقترح MKR (Multi-task feature learning approach for Knowledge graph enhanced Recommendation)، وهو نهج للتعلم متعدد المهام لتعزيز الترشيح بالاستفادة من الرسوم البيانية للمعرفة. يعتبر MKR إطارًا عميقًا من النهاية إلى النهاية يستخدم مهمة تضمين الرسم البياني للمعرفة لدعم مهمة الترشيح. يتم ربط المهمتين عبر وحدات التقاطع والضغط (cross&compress units)، والتي تشارك بشكل آلي الخصائص الكامنة وتتعلم التفاعلات من الدرجة العليا بين العناصر في أنظمة التوصية والكيانات في الرسم البياني للمعرفة. نثبت أن وحدات التقاطع والضغط لديها قدرة كافية على التقريب متعدد الحدود، ونوضح أن MKR هو إطار عام يغطي عدة طرق ممثلة لأنظمة التوصية والتعلم متعدد المهام. من خلال التجارب الواسعة على مجموعات بيانات حقيقية، نظهر أن MKR يحقق مكاسب كبيرة في ترشيح الأفلام والكتب والموسيقى والأخبار، متجاوزًا أفضل الأساليب الحالية. كما أظهرت MKR قدرتها على الحفاظ على أداء جيد حتى عند وجود تفاعلات نادرة بين المستخدمين والعناصر.