تدرس هذه الورقة البحثية التوصيات القائمة على الرسوم البيانية، حيث يتم بناء رسم بياني للتفاعلات من السجلات التاريخية ويتم الاستفادة منه لتخفيف مشكلة ندرة البيانات ومشكلة البداية الباردة. نكشف عن مشكلة التلخيص المبكر في النماذج الحالية القائمة على الرسوم البيانية، ونقترح نموذج التفاعل الجواري (Neighborhood Interaction - NI) لتقديم كل زوج جواري (بين جانب المستخدم وجانب العنصر) بشكل مميز. يعتبر نموذج NI أكثر تعبيراً ويمكنه التقاط الأنماط الهيكلية الأكثر تعقيداً خلف تفاعلات المستخدم-العنصر. لتعزيز اتصال العقد واستخدام المعلومات الهيكلية من الرتب العليا، ندمج رسوم بيانية إضافية للمعرفة (Knowledge Graphs - KGs) ونتبنى الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) في NI، والتي تُعرف باسم التفاعل الجواري المعزز بالمعرفة (Knowledge-enhanced Neighborhood Interaction - KNI). مقارنة بالطرق المتقدمة للتوصيات، مثل النماذج القائمة على الخصائص والمسارات الميتا والرسوم البيانية للمعرفة، يحقق نموذج KNI أداءً أفضل في التنبؤ بمعدل النقرات (تحسينات مطلقة بنسبة 1.1٪-8.4٪ في دقة الانحناء تحت المنحنى ROC - AUC) ويتفوق بفارق كبير في التوصيات الأعلى N على 4 قواعد بيانات حقيقية.