Ce travail étudie les recommandations basées sur les graphes, où un graphe d'interactions est construit à partir de registres historiques et utilisé pour atténuer les problèmes de rareté des données et de démarrage froid. Nous mettons en lumière un problème de résumé précoce dans les modèles graphiques existants, et proposons le modèle d'Interaction de Voisinage (NI) pour capturer distinctement chaque paire de voisins (entre le côté utilisateur et le côté élément). Le modèle NI est plus expressif et peut saisir des motifs structuraux plus complexes derrière les interactions utilisateur-élément. Pour enrichir davantage la connectivité des nœuds et utiliser des informations structurelles d'ordre supérieur, nous intégrons des graphes de connaissances supplémentaires (KGs) et adoptons des réseaux neuronaux graphiques (GNNs) dans NI, appelé Knowledge-enhanced Neighborhood Interaction (KNI). Comparé aux méthodes de recommandation les plus avancées actuellement disponibles, comme les modèles basés sur les caractéristiques, les chemins métiers, et les graphes de connaissances, notre KNI atteint une performance supérieure dans la prédiction du taux de clics (améliorations absolues de l'AUC comprises entre 1,1% et 8,4%) et surpass largement ces méthodes en recommandation top-N sur 4 jeux de données du monde réel.