في مجموعات بيانات توصية نادرة جدًا، يمكن أن تُحسّن السمات الخاصة بالمستخدمين مثل العمر والجنس والموقع الجغرافي، وكذلك السمات الخاصة بالعناصر مثل النوع والسنة التي صدر فيها الفيلم والمنتج (في حالة الأفلام)، من دقة التوصية، خاصة بالنسبة للمستخدمين والعناصر التي لديها عدد قليل من التقييمات. وعلى الرغم من أن معظم نماذج التوصية يمكن توسيعها لتعمل بمراعاة سمات المستخدمين والعناصر، فإن بنية هذه النماذج غالبًا ما تصبح أكثر تعقيدًا. في حين أن سمات العناصر تكون غالبًا سهلة التوفر، إلا أن سمات المستخدمين غالبًا ما تكون نادرة بسبب اعتبارات الخصوصية، أو ببساطة لأنها ليست ذات صلة بالعملية التشغيلية المطروحة.في هذا البحث، نعالج هذين المشكلين في نظم التوصية القائمة على السمات من خلال اقتراح نموذج بسيط يُدمج المستخدمين والعناصر في فضاء خفي مشترك بطريقة تشبه التحليل المصفوفي القياسي (Vanilla Matrix Factorization)، ولكن مع بناء ميزات خفية غير خطية يمكنه تضمين سمات المستخدم أو العنصر أو كليهما بشكل سلس (يُسمى النموذج GraphRec). ولحل المشكلة الثانية، وهي ندرة السمات، يُعامل النموذج العلاقة بين المستخدم والعنصر على أنها رسم بياني ثنائي الطرف (Bipartite Graph)، ويُبنى سمات عامة للمستخدمين والعناصر من خلال مصفوفة لابلاس (Laplacian) للرسم البياني المتعلق بتكرار تفاعل المستخدم مع العناصر، وذلك دون الحاجة إلى أي معلومات جانبية خارجية، بل يكفي مصفوفة التقييمات فقط. وقد أظهرت التجارب على ثلاث مجموعات بيانات لتوصية أن GraphRec يتفوق بشكل ملحوظ على النماذج الحديثة المتطورة القائمة على السمات أو المحتوى، حتى دون استخدام أي معلومات جانبية.