In den letzten zehn Jahren hat sich eine umfassende Forschung zu Empfehlungssystemen entwickelt, die wertvolle Dienstleistungen für die Steigerung des Umsatzes verschiedener Unternehmen bietet. Verschiedene Ansätze existieren zur Behandlung von Paper-Empfehlungssystemen. Während die meisten bestehenden Empfehlungssysteme entweder auf einem content-basierten oder einem kollaborativen Ansatz beruhen, gibt es hybride Ansätze, die die Genauigkeit der Empfehlungen durch Kombination beider Methoden verbessern können. Obwohl zahlreiche Algorithmen mit solchen Ansätzen vorgeschlagen wurden, bleibt ein weiterer Verbesserungsbedarf bestehen. In diesem Artikel stellen wir eine Methode für Empfehlungssysteme vor, die auf einem graphbasierten Modell basiert und die Ähnlichkeit der Nutzerbewertungen mit Nutzerdemografie- und Standortinformationen kombiniert. Durch die Nutzung der Vorteile der Autoencoder-basierten Merkmalsextraktion extrahieren wir neue Merkmale auf Basis aller kombinierten Attribute. Unter Verwendung dieser neuen Merkmalsmenge zur Clusterung der Nutzer erreicht unser vorgeschlagener Ansatz (GHRS) eine signifikante Verbesserung und übertrifft die Leistung anderer Methoden insbesondere im Hinblick auf das Cold-Start-Problem. Die experimentellen Ergebnisse auf dem MovieLens-Datensatz zeigen, dass der vorgeschlagene Algorithmus zahlreiche bestehende Empfehlungsalgorithmen hinsichtlich der Empfehlungsgenauigkeit übertrifft.