随着服装电商平台的快速发展,各式各样的衣服令人眼花缭乱,这给用户选择搭配和谐且美观的衣服带来了烦恼。因此,自动化服装兼容性建模,即对一套由若干互补单品构成的套装进行兼容程度评估,逐渐吸引了学术界和工业界的广泛关注。然而,现有工作主要是围绕一般化的服装兼容性建模展开研究,即只考虑单品之间的兼容关系,而忽略了用户的影响因素。其实,对于同一件时尚单品（item）,不同的人可能会为其搭配不同的互补单品。因此,服装搭配领域中的个性化偏好问题逐渐吸引了相关研究者的注意。目前,围绕个性化服装兼容性建模的研究仍处于初级阶段。现有方法主要是基于时尚单品的多模态数据,着力于建模单品-单品兼容性交互和用户-单品偏好交互。然而,这些工作将每一个单品-单品交互或者用户-单品交互看作一个独立的数据实例,而忽略了这些交互之间的高阶关系。事实上,与一个单品（如,上衣）搭配的所有互补单品（如,下衣）可能会共享某些相同的属性（如,颜色）,同时,具有类似品味的用户也可能倾向于选择具有类似属性特征的单品。在一定程度上来说,这些高阶关系对于单品兼容性和用户偏好来说,传递了更多隐含的协同信号,因而对于个性化服装兼容性建模是至关重要的。据此,在个性化服装兼容性建模的背景下,我们意在探索时尚实体（即,用户,单品及属性）之间的高阶关系。因此,基于公开数据集,我们首先构建了一个协同时尚图谱,该图谱包括用户-单品偏好交互关系,单品-单品搭配交互关系以及单品-属性从属交互关系。通过用户、单品、属性之间的高阶交互关系来挖掘隐含的协同信息,进而提高个性化兼容建模的效果。具体地,我们提出了一个新颖的基于时尚图谱增强的个性化服装兼容性建模模型（Fashion Graph-enhanced Personalized Clothing Compatibility Modeling）,简称为FG-PCCM。FG-PCCM由两个关键的部分组成:独立的一阶交互建模（Independent One-order Interaction Modeling）和协同的高阶交互建模（Collaborative High-order Interaction Modeling）。一方面,独立的一阶交互建模模块基于视觉和文本模态数据,致力于通过神经网络和矩阵分解方法分别对单品-单品搭配交互和用户-单品偏好交互进行综合性建模。另一方面,协同的高阶交互模块基于构建的协同的时尚图谱,通过图神经网络（Graph Neural Networks,GNNs）利用信息传播机制来蒸馏高阶的协同信号,进一步丰富用户和单品的向量表示。FG-PCCM模型能够有效整合时尚实体之间的复杂的高阶关系信息,用户和单品的表示学习,进而改善个性化服装兼容性建模效果。最后,对于给定的用户和目标上衣,我们能够得到搭配的下衣的个性化兼容性分数。另外,我们在公开可用的时尚数据集IQON3000上,做了大量对比实验,充分地验证了本文所提模型FG-PCCM相对于基准方法的优越性,也验证了协同的高阶交互建模模块在整体模型中起到了举足轻重的作用。