協調フィルタリングの疎さと新規ユーザ問題に対処するために、研究者たちはソーシャルネットワークやアイテム属性などの補助情報を活用して、推薦性能を向上させることが多い。本論文では、知識グラフを補助情報の源として考慮する。既存の埋め込みベースおよびパスベースの知識グラフを利用した推薦手法の制限を解決するために、我々はRipple Network（リップルネットワーク）というエンドツーエンドのフレームワークを提案する。このフレームワークは、知識グラフを推薦システムに自然に組み込むことを目指している。実際の水面に広がる波紋と同様に、Ripple Networkはユーザーの好みが知識エンティティ集合上で自動的に反復的に拡大することを刺激し、ユーザーの潜在的な興味関心が知識グラフ上のリンクに沿って延長されるように設計されている。ユーザーが過去にクリックしたアイテムによって活性化された複数の「波紋」が重なり合って、候補アイテムに対するユーザーの好み分布を形成し、これが最終的なクリック確率予測に利用される。現実世界のデータセットを使用した広範な実験を通じて、我々はRipple Networkが映画、書籍、ニュース推薦など様々なシナリオで最新鋭基準モデルに対して大幅な改善を達成することを示している。