Les modèles de complétion de matrice sont parmi les formulations les plus courantes des systèmes de recommandation. Des travaux récents ont montré une amélioration significative des performances de ces techniques lorsque l'on introduit les relations binaires entre utilisateurs/éléments sous forme de graphes et que l'on impose des contraintes de lissage sur ces graphes. Cependant, ces techniques ne tirent pas pleinement parti des structures de stationnarité locale des graphes d'utilisateurs/éléments, et le nombre de paramètres à apprendre est linéaire par rapport au nombre d'utilisateurs et d'éléments. Nous proposons une nouvelle approche pour surmonter ces limitations en utilisant l'apprentissage profond géométrique sur les graphes. Notre architecture de complétion de matrice combine des réseaux neuronaux convolutifs sur graphe (GCN) et des réseaux neuronaux récurrents (RNN) pour apprendre des motifs statistiques structurés en graphe pertinents ainsi que le processus de diffusion non-linéaire qui génère les notes connues. Ce système de réseaux neuronaux nécessite un nombre constant de paramètres indépendant de la taille de la matrice. Nous appliquons notre méthode à la fois sur des jeux de données synthétiques et réels, démontrant qu'elle surpasse les techniques actuelles les plus avancées.