但是上述两种方式都很难捕获高阶链接信息以及不能够充分利用知识图谱本身丰富的语义信息和拓扑结构信息。最近一段时间，利用图神经网络传播(Graph Neural Network,GNN)的方法引起了广大研究者以及业内人士的兴趣爱好，比较明确的方法例如 KGAT、 KGNN-LS、KNI、 AKGE、KGIN。采用这种传播的方法，能够将知识图谱的高阶语义信息整合到推荐系统的相关特征表示中，从而推动推荐系统的效果转化。
以上便是一些知识图谱和推荐系统结合的背景信息以及常规主流方法。
二、不足改进
本次将要分享的这篇文章也是基于GNN的方式在演变的一篇工作，这篇文章是中国科学院的一篇工作，本篇文章的观点认为尽管GNN在利用多跳属性信息方面取得了成功，但它仍存在三个不足之处。
1、不同的属性信息在语义和用户偏好方面是独立的，采用加权和的操作合并不同的属性信息会造成污染的问题。例如在上图图1中，电影包含演员的属性以及歌手属性 ,语义独立性是指 和 这两个属性不一定都是会同时出现的，因为对于一部电影来说，演员和歌手都是相互独立的，行为独立性是指一个用户是否喜欢一个演员和是否喜欢一个歌手是相互独立的。目前GNN采用加权和的操作会让获取用户感兴趣的属性信息变得困难。
2、文中提出一个观点，即通常情况下，图中的高阶邻居相对于中心节点的关系较小，但文中认为这并不是绝对的。还是从图1中来说，对于一些电影观众喜欢音乐，歌手属性比导演属性更有价值，然而图中却相对更远，所以从这看来，高阶属性节点也是非常重要的，然而，现有基于GNN的算法忽略了这一问题，随着传播时间的增加，高阶属性节点信息的权值在逐步减小。
3、用户的兴趣因人而异，用户可能只对部分属性感兴趣而不是所有属性感兴趣，不同的用户也会有不同的兴趣表达，因此需要针对不同的用户偏好处理对应的属性信息，也就是说，通过GNN传播学习到的物品特征表示包含有噪音信号，需要提取用户个人感兴趣的部分属性。然而，现有的GNN方法对这方面还是考虑不全。
