Wissensgraphen erfassen strukturierte Informationen und Beziehungen zwischen einer Menge von Entitäten oder Elementen. Daher stellen Wissensgraphen eine attraktive Informationsquelle dar, die dazu beitragen könnte, Empfehlungssysteme zu verbessern. Bestehende Ansätze in diesem Bereich basieren jedoch auf manueller Merkmalsextraktion und erlauben kein End-to-End-Training. In diesem Beitrag schlagen wir Wissensbasierte Graphneuronale Netze mit Etikettglättungsregularisierung (KGNN-LS) vor, um bessere Empfehlungen zu liefern. Konzeptuell berechnet unser Ansatz benutzerspezifische Element-Einbettungen, indem zunächst eine trainierbare Funktion angewendet wird, die wichtige Wissensgraphen-Beziehungen für einen gegebenen Benutzer identifiziert. Auf diese Weise transformieren wir den Wissensgraphen in einen benutzerspezifischen gewichteten Graphen und wenden anschließend ein Graphneuronales Netzwerk an, um personalisierte Element-Einbettungen zu berechnen. Um einen besseren induktiven Bias zu bieten, stützen wir uns auf die Annahme der Etikettglättung (Label Smoothness), die besagt, dass benachbarte Elemente im Wissensgraph wahrscheinlich ähnliche Benutzerrelevanzetiketten/Scores haben. Die Etikettglättung bietet Regularisierung über die Kantengewichte, und wir beweisen, dass sie äquivalent zu einem Etikettfortpflanzungsschema auf einem Graph ist. Wir entwickeln auch eine effiziente Implementierung, die eine starke Skalierbarkeit in Bezug auf die Größe des Wissensgraphen zeigt. Experimente mit vier Datensätzen zeigen, dass unsere Methode die Stand der Technik übertreffen kann. KGNN-LS erzielt außerdem starke Leistungen in Cold-Start-Szenarien, in denen Benutzer-Element-Interaktionen dünn gesät sind.