Matrix-Vervollständigungsmodelle gehören zu den häufigsten Formulierungen von Empfehlungssystemen. Kürzliche Arbeiten haben gezeigt, dass die Leistung dieser Techniken erheblich verbessert wird, wenn man die paarweisen Beziehungen zwischen Benutzern/Artikeln in Form von Graphen einführt und Glättungsannahmen auf diese Graphen auferlegt. Allerdings nutzen solche Techniken die lokalen Stationaritätsstrukturen der Benutzer-/Artikelgraphen nicht vollständig aus, und die Anzahl der zu lernenden Parameter ist linear im Verhältnis zur Anzahl der Benutzer und Artikel. Wir schlagen einen neuen Ansatz vor, um diese Einschränkungen durch das Einsatz von geometrischem Deep Learning auf Graphen zu überwinden. Unser Matrix-Vervollständigungsarchitektur kombiniert graphkonvolutionelle Neuronale Netze (GCN) und rekurrente Neuronale Netze (RNN), um statistisch bedeutsame graphstrukturierte Muster sowie den nichtlinearen Diffusionsprozess zu lernen, der die bekannten Bewertungen generiert. Dieses Neuronennetz-System erfordert eine konstante Anzahl von Parametern, unabhängig von der Größe der Matrix. Wir wenden unsere Methode sowohl auf synthetischen als auch auf realen Datensätzen an und zeigen, dass sie den Stand der Technik übertreffen.