للتخفيف من مشكلة الندرة وبداية البرود في أنظمة التوصية المستندة إلى التصفية التعاونية، يجمع الباحثون والمهندسون عادةً خصائص المستخدمين والعناصر ويصممون خوارزميات دقيقة للاستفادة من هذه المعلومات الإضافية. بشكل عام، لا تكون هذه الخصائص معزولة بل متصلة ببعضها البعض، مما يشكل رسمًا معرفيًا (Knowledge Graph - كج). في هذا البحث، نقترح شبكات الرسم المعرفي (Knowledge Graph Convolutional Networks - كجسن)، وهي إطار شامل يلتقط العلاقة الفعالة بين العناصر من خلال استخراج الخصائص المرتبطة بها في الكج. للاكتشاف التلقائي للمعلومات الهيكلية من الدرجة العليا والمعلومات الدلالية للكج، نقوم بأخذ عينات من الجيران لكل كيان في الكج كحقل مستقبلي له، ثم ندمج معلومات الجوار مع الانحياز عند حساب تمثيل كيان معين. يمكن توسيع الحقل المستقبل إلى عدة درجات بعيدة لنمذجة المعلومات القريبة من الدرجة العليا واكتشاف اهتمامات المستخدمين المحتملة على المدى الطويل. بالإضافة إلى ذلك، نقوم بتنفيذ الشبكات المقترحة (كجسن) بطريقة الدفعات الصغيرة (minibatch)، مما يتيح لنموذجنا العمل على مجموعات بيانات كبيرة وكجا ت. نطبق النموذج المقترح على ثلاث مجموعات بيانات تتعلق بتوصيات الأفلام والكتب والموسيقى، وتظهر نتائج التجارب أن أسلوبنا يتفوق على أسس التوصية القوية.