لتقديم توصيات أكثر دقة ومتنوعة وقابلية للشرح، من الضروري التخطي إلى ما هو أبعد من نمذجة التفاعلات بين المستخدمين والعناصر وأخذ المعلومات الجانبية بعين الاعتبار. تقوم الأساليب التقليدية مثل آلة التحليل العاملية (FM) بتحويل هذه المشكلة إلى مشكلة تعلم مشرف عليها، والتي تفترض أن كل تفاعل هو حالة مستقلة مع ترميز المعلومات الجانبية. نتيجة لتجاهل العلاقات بين الحالات أو العناصر (مثل، مخرج فيلم ما قد يكون أيضًا ممثلًا في فيلم آخر)، فإن هذه الأساليب غير كافية لاستخلاص الإشارة التعاونية من سلوكيات المستخدمين الجماعية. في هذا البحث، ندرس فائدة الرسم البياني للمعرفة (KG)، والذي يكسر افتراض التفاعل المستقل من خلال ربط العناصر بخصائصها. نعتقد أنه في مثل هذا الهيكل المختلط من الرسم البياني للمعرفة والرسم البياني للمستخدم-العنصر، فإن العلاقات ذات الرتب العليا --- التي تربط بين عنصرين عبر خاصية واحدة أو عدة خصائص متصلة --- هي عامل أساسي للوصول إلى توصيات ناجحة. نقترح طريقة جديدة باسم شبكة الانتباه للرسم البياني للمعرفة (KGAT) والتي تنظم بشكل صريح الروابط ذات الرتب العليا في الرسم البياني للمعرفة بطريقة شاملة. تعمل هذه الشبكة على نشر الترميزات من جيران العقدة (والتي يمكن أن تكون مستخدمين أو عناصر أو خصائص) بشكل متكرر لتحسين ترميز العقدة، وتستخدم آلية الانتباه لتقييم أهمية الجيران. تعتبر شبكتنا للرسم البياني للمعرفة وآلية الانتباه مفهوميًا أفضل من الأساليب الحالية القائمة على الرسم البياني للمعرفة، والتي إما تستفيد من العلاقات ذات الرتب العليا باستخراج المسارات أو بنمذجتها ضمن إطار التنظيم الضمني. أظهرت النتائج التجريبية على ثلاثة مقاييس عامة أن شبكات KGAT تتقدم بشكل كبير على الأساليب المتقدمة حديثًا مثل Neural FM و RippleNet. أكدت الدراسات الإضافية فعالية انتشار الترميزات لنمذجة العلاقات ذات الرتب العليا والفوائد التي يجلبها آلية الانتباه فيما يتعلق بالقابلية للشرح.