Um das Problem der Sparsamkeit und des kalten Starts bei kollaborativen Filterverfahren zu bewältigen, nutzen Forscher in der Regel Nebeninformationen, wie soziale Netzwerke oder Itemattribute, um die Leistungsfähigkeit von Empfehlungen zu verbessern. In dieser Arbeit wird das Wissensgraph als Quelle für Nebeninformationen betrachtet. Um die Einschränkungen bestehender embeddings-basierter und pfadbasierter Methoden für Wissensgraph-unterstützte Empfehlungen zu überwinden, schlagen wir das Ripple Network vor, ein end-to-end Framework, das den Wissensgraph auf natürliche Weise in Empfehlungssysteme integriert. Ähnlich wie echte Wellen sich auf der Wasseroberfläche ausbreiten, stimuliert das Ripple Network die Ausbreitung von Benutzervorlieben über die Menge der Wissenseinheiten hinweg, indem es automatisch und iterativ die potentiellen Interessen eines Benutzers entlang der Verbindungen im Wissensgraph erweitert. Die durch die historisch angeklickten Items eines Benutzers aktivierten mehreren "Wellen" werden somit überlagert, um die Vorliebendichte des Benutzers bezüglich eines Kandidaten-Items zu bilden, was zur Vorhersage der endgültigen Anklickwahrscheinlichkeit verwendet werden kann. Durch umfangreiche Experimente mit realen Datensätzen zeigen wir, dass das Ripple Network in verschiedenen Szenarien, einschließlich Film-, Buch- und Nachrichtenempfehlungen, erhebliche Verbesserungen gegenüber mehreren Stand-of-the-Art-Baselines erzielt.