تُعدّ الأبحاث المتعلقة بنظم التوصية من المجالات المُستحدثة خلال العقد الماضي، وقد ساهمت هذه الأنظمة في تقديم خدمات قيمة لزيادة الإيرادات لدى مختلف الشركات. توجد عدة مناهج لمعالجة أنظمة توصية الأوراق البحثية. في حين تعتمد معظم أنظمة التوصية الحالية إما على منهج مبني على المحتوى أو منهج تعاوني، فإن هناك مناهج هجينة تُحسّن دقة التوصيات من خلال دمج كلا النهج. وعلى الرغم من الاقتراحات الكثيرة لخوارزميات باستخدام هذه الأساليب، لا يزال هناك حاجة ملحة إلى تحسينات إضافية. في هذا البحث، نقترح منهجية جديدة لأنظمة التوصية تعتمد على نموذج قائم على الرسوم البيانية، مُقترنة بمعيار التشابه في تقييمات المستخدمين، بالإضافة إلى معلومات ديموغرافية وموقع المستخدمين. وباستغلال المزايا المتوفرة في استخلاص الميزات باستخدام Autoencoder، نستخلص ميزات جديدة تعتمد على جميع السمات المدمجة. وباستخدام هذه المجموعة الجديدة من الميزات لتصنيف المستخدمين، حققت المنهجية المقترحة (GHRS) تحسينًا ملحوظًا، حيث تتفوق على أداء الطرق الأخرى في معالجة مشكلة البداية الباردة (Cold-Start). وتُظهر النتائج التجريبية على مجموعة بيانات MovieLens أن الخوارزمية المقترحة تفوق العديد من خوارزميات التوصية الحالية من حيث دقة التوصية.