Este trabalho investiga a aplicação de Inteligência Artificial Neuro-Simbólica em Sistemas de Recomendação, com foco no modelo Graph Collaborative Reasoning (GCR). Enquanto sistemas tradicionais enfrentam desafios de interpretabilidade e esparsidade, o GCR propõe modelar a recomendação como um raciocínio lógico dedutivo sobre grafos. Este estudo apresenta três contribuições principais. Primeiro, realiza-se um estudo crítico de reprodutibilidade, reimplementando o modelo integralmente; os resultados obtidos superam significativamente as métricas reportadas na literatura original, estabelecendo novos baselines de desempenho para o GCR. Segundo, avalia-se o FuzzGCR, uma extensão baseada em lógica fuzzy não-paramétrica; a análise demonstra que a rigidez axiomática das t-normas causa saturação de gradientes em cadeias lógicas profundas, evidenciando a necessidade de relaxamento neural em grafos complexos. Terceiro, propõe-se o FA-GCR (Feature-Aware GCR), que integra atributos semânticos ao raciocínio lógico. Os experimentos nos datasets MovieLens demonstram que o FA-GCR, operando exclusivamente sobre atributos (sem IDs), supera o modelo base e baselines tradicionais, validando a hipótese de que o enriquecimento semântico potencializa a generalização indutiva em arquiteturas neuro-simbólicas.