本論文では、グラフベースの推薦システムについて研究し、履歴データから相互作用グラフを構築し、これを用いてデータの希薄性と新規ユーザ問題を軽減することを目指しています。既存のグラフベースモデルにおける初期要約化問題を明らかにし、ユーザー側とアイテム側の各隣接ペアを独自に捉えるためのネイバーフッドインタラクション（NI）モデルを提案します。NIモデルは表現力が高く、ユーザー-アイテム間の相互作用背後にあるより複雑な構造パターンを捉えることができます。さらにノード接続性を豊かにし、高次の構造情報を活用するために、追加の知識グラフ（KGs）を取り入れ、グラフニューラルネットワーク（GNNs）を使用したKnowledge-enhanced Neighborhood Interaction（KNI）モデルを開発しました。特徴量ベース、メタパスベース、および知識グラフベースの最先端推薦手法と比較して、我々のKNIモデルはクリックスルー率予測において優れた性能を示しており（1.1%-8.4% の絶対AUC改善）、4つの実世界データセットでのトップ-N推薦においても大幅に優れた結果を出しています。