Pour atténuer le problème de rareté et de démarrage à froid des systèmes de recommandation basés sur le filtrage collaboratif, les chercheurs et les ingénieurs recueillent généralement des attributs des utilisateurs et des éléments, et conçoivent des algorithmes élaborés pour exploiter ces informations supplémentaires. En règle générale, ces attributs ne sont pas isolés mais interconnectés, formant ainsi un graphe de connaissances (KG). Dans cet article, nous proposons les Réseaux de Neurones Convolutifs sur Graphe de Connaissances (KGCN), un cadre d'extrémité à extrémité qui capture efficacement la pertinence inter-éléments en exploitant leurs attributs associés dans le KG. Pour découvrir automatiquement à la fois les informations structurales d'ordre supérieur et les informations sémantiques du KG, nous échantillonnons parmi les voisins de chaque entité dans le KG comme leur champ récepteur, puis combinons l'information de voisinage avec un biais lors du calcul de la représentation d'une entité donnée. Le champ récepteur peut être étendu à plusieurs sauts pour modéliser des informations de proximité d'ordre supérieur et capturer les intérêts potentiels à long terme des utilisateurs. De plus, nous implémentons le KGCN proposé selon une méthode par mini-lot, ce qui permet à notre modèle de fonctionner sur de grands ensembles de données et des KGs. Nous appliquons le modèle proposé à trois ensembles de données concernant les recommandations de films, de livres et de musique, et les résultats expérimentaux démontrent que notre approche surpassent des baselines robustes en matière de recommandation.