Au cours de la dernière décennie, des recherches sur les systèmes de recommandation ont émergé et apportent des services précieux visant à augmenter les revenus de nombreuses entreprises. Plusieurs approches existent pour concevoir des systèmes de recommandation de documents scientifiques. Alors que la plupart des systèmes de recommandation actuels reposent soit sur une approche basée sur le contenu, soit sur une approche collaborative, des méthodes hybrides ont été proposées afin d’améliorer la précision des recommandations en combinant les deux approches. Bien que de nombreux algorithmes aient été développés à l’aide de telles méthodologies, des améliorations supplémentaires restent nécessaires. Dans ce travail, nous proposons une méthode de système de recommandation fondée sur un modèle basé sur les graphes, intégrant la similarité des évaluations des utilisateurs, combinée aux informations démographiques et géographiques des utilisateurs. En exploitant les avantages de l’extraction de caractéristiques par autoencodeur, nous extrayons de nouvelles caractéristiques à partir de l’ensemble combiné des attributs. En utilisant cet ensemble amélioré de caractéristiques pour le regroupement des utilisateurs, notre approche proposée (GHRS) obtient une amélioration significative, surpassant de manière notable les performances des autres méthodes dans le cas du problème du « cold-start ». Les résultats expérimentaux sur le jeu de données MovieLens montrent que l’algorithme proposé surpasse de nombreux algorithmes existants en termes de précision de recommandation.