过去十年中，推荐系统研究迅速发展，为众多企业提升收入提供了重要支持。在学术与工业界，针对论文推荐系统的研究已涌现出多种方法。尽管大多数现有推荐系统主要依赖内容相似性或协同过滤策略，但近年来涌现出融合两种方法的混合型推荐机制，能够进一步提升推荐准确性。尽管已有大量算法基于此类方法提出，但仍有进一步优化的空间。本文提出一种基于图模型的推荐系统方法（GHRS），该方法结合用户评分相似性、用户人口统计信息及地理位置数据，构建综合特征表示。通过引入自编码器（Autoencoder）进行特征提取，我们从所有融合属性中生成新的高阶特征。利用这些新特征对用户进行聚类，所提出的GHRS方法在冷启动问题上表现出显著优势，性能全面超越现有主流方法。在MovieLens数据集上的实验结果表明，该算法在推荐准确率方面优于多种现有推荐算法。