El filtrado colaborativo (CF) basado en redes neuronales gráficas (GNN) puede capturar relaciones de orden superior entre nodos, lo que a su vez mejora el rendimiento de recomendación. Aunque efectivos, los métodos basados en GNN aún enfrentan los desafíos de la dispersión y el ruido en escenarios reales. En los últimos años, los investigadores han introducido técnicas de aprendizaje auto-supervisado de grafos (SSL) en CF para aliviar el problema de supervisión dispersa. La técnica primero aumenta los datos para obtener vistas contrastantes y luego utiliza la maximización de la información mutua para proporcionar señales auto-supervisadas para las vistas contrastantes. Sin embargo, los enfoques existentes basados en señales auto-supervisadas de grafos aún enfrentan los siguientes desafíos: (i) La mayoría de los trabajos no logran minar y explotar efectivamente la información supervisada del grafo de conocimiento de elementos, lo que resulta en un rendimiento subóptimo. (ii) Los métodos existentes de aumento de datos no pueden explotar completamente el potencial del aprendizaje contrastante, porque se centran principalmente en la vista contrastante de los cambios en la estructura de datos y descuidan la relación adyacente entre usuarios y elementos. Para abordar estos problemas, proponemos un enfoque novedoso de aprendizaje auto-supervisado, denominado Aprendizaje Auto-supervisado de Grafos Con Conocimiento (KGSL). Específicamente, calculamos la similitud de nodos basada en relaciones semánticas entre elementos en el grafo de conocimiento para generar un grafo de similitud de elementos basado en semántica. Luego, las vistas contrastantes de aprendizaje auto-supervisado se generan tanto del grafo de interacción usuario-elemento como del grafo de similitud de elementos, respectivamente. La maximización de la información de estas vistas contrastantes proporciona señales auto-supervisadas adicionales para mejorar la capacidad de representación de nodos. Finalmente, establecemos una estrategia de entrenamiento conjunta para la tarea de aprendizaje auto-supervisado y la tarea de recomendación para optimizar aún más el proceso de aprendizaje de KGSL. Se realizan experimentos comparativos extensos, así como experimentos de ablación, en tres conjuntos de datos del mundo real para verificar la efectividad de KGSL.