Dieses Papier untersucht graphbasierte Empfehlungssysteme, bei denen ein Interaktionsgraph aus historischen Aufzeichnungen konstruiert wird und genutzt wird, um Datenknappheit und das Problem von neuen Benutzern oder Items (Cold Start) zu mildern. Wir legen ein vorzeitiges Zusammenfassungsproblem in existierenden graphbasierten Modellen offen und schlagen das Neighborhood Interaction (NI)-Modell vor, um jede Nachbarschaftspaarbeziehung (zwischen Benutzer- und Item-Seite) besonders zu erfassen. Das NI-Modell ist ausdrucksstärker und kann komplexere strukturelle Muster hinter Benutzer-Item-Interaktionen erfassen. Um die Knotenverbindungen weiter zu bereichern und hochwertige strukturelle Informationen zu nutzen, integrieren wir zusätzliche Wissensgraphen (KGs) und verwenden Graphneuronale Netze (GNNs) im NI-Modell, was als Knowledge-enhanced Neighborhood Interaction (KNI) bezeichnet wird. Im Vergleich zu den neuesten Empfehlungsmethoden, wie z.B. feature-basierte, meta path-basierte und KG-basierte Modelle, erreicht unser KNI eine überlegene Leistung in der Click-Through-Rate-Vorhersage (absolute AUC-Verbesserungen von 1,1% bis 8,4%) und übertreffen diese Methoden erheblich in der Top-N-Empfehlung auf vier realweltlichen Datensätzen.