매우 희소한 추천 데이터셋에서는 사용자 연령, 성별, 거주지와 같이 사용자에 대한 속성과, 영화의 경우 장르, 개봉 연도, 감독과 같이 아이템에 대한 속성을 고려함으로써, 특히 낮은 평점 수를 가진 사용자나 아이템에 대해 추천 정확도를 향상시킬 수 있다. 대부분의 추천 모델은 사용자 및 아이템의 속성을 고려할 수 있도록 확장할 수는 있으나, 이 경우 모델 아키텍처가 일반적으로 더 복잡해진다. 아이템의 속성은 종종 쉽게 제공될 수 있지만, 사용자 속성은 개인정보 보호 문제나 현재 운영 과정과 관련이 없기 때문에 흔히 부족한 편이다.본 논문에서는 속성 인식 추천 시스템에 대한 이러한 두 가지 문제를 해결하기 위해, 단순한 모델을 제안한다. 이 모델은 기존의 매트릭스 분해와 유사한 방식으로 사용자와 아이템을 공통의 잠재 공간에 동시 임베딩하지만, 비선형 잠재 특징을 구성함으로써 사용자 또는 아이템 속성 또는 둘 다를 원활하게 통합할 수 있다(이를 GraphRec라 명명). 두 번째 문제인 속성 부족 문제를 해결하기 위해, 제안된 모델은 사용자-아이템 관계를 이분 그래프로 간주하고, 사용자-아이템 공출현 그래프의 라플라시안을 이용해 외부 보조 정보 없이도 일반적인 사용자 및 아이템 속성을 구축한다. 이 과정은 단지 평점 행렬만을 필요로 한다. 세 가지 추천 데이터셋에서의 실험 결과, GraphRec는 어떤 보조 정보도 사용하지 않음에도 불구하고, 기존의 최신 속성 기반 및 콘텐츠 기반 추천 시스템보다 유의미하게 우수한 성능을 보였다.