知識グラフは、一連のエンティティやアイテム間の構造化された情報と関係を捉えます。したがって、知識グラフは推薦システムの改善に役立つ魅力的な情報源となっています。しかし、この分野における既存のアプローチは手動の特徴量設計に依存しており、エンドツーエンドでの学習を許可していません。本稿では、ラベル平滑化正則化（Label Smoothness regularization）を用いた知識認識型グラフニューラルネットワーク（Knowledge-aware Graph Neural Networks, KGNN-LS）を提案し、より良い推薦を提供することを目指します。概念的には、当手法はまず特定のユーザーにとって重要な知識グラフの関係を識別する学習可能な関数を適用することで、ユーザ固有のアイテム埋め込みを計算します。これにより、知識グラフがユーザ固有の重み付きグラフに変換され、次にグラフニューラルネットワークを用いてパーソナライズされたアイテム埋め込みを計算します。より良い帰納バイアスを提供するために、我々は隣接するアイテムが類似したユーザ関連性ラベル/スコアを持つ可能性が高いという前提に基づくラベル平滑化仮定に依存しています。ラベル平滑化はエッジ重みに対する正則化を行い、これはグラフ上のラベル伝播スキームと等価であることを証明しています。また、効率的な実装を開発し、知識グラフのサイズに対して強いスケーラビリティを持つことを示しました。4つのデータセットを使用した実験では、当手法が最先端のベースラインを超える性能を示していることが確認されました。さらに、ユーザ-アイテム相互作用が疎な冷スタートシナリオにおいても、KGNN-LSは強力な性能を達成しています。