En las tareas de recomendación, la mayoría de los modelos existentes que aprenden las preferencias de los usuarios a partir de las interacciones usuario-elemento ignoran las relaciones entre elementos. Además, asegurar que las características cruzadas capturen tanto las estructuras globales del grafo como el contexto local no es trivial, lo que requiere técnicas innovadoras para el aprendizaje de representaciones a múltiples escalas. Para superar estas dificultades, desarrollamos una red neuronal novedosa, CoGraph, que utiliza un grafo para construir las relaciones entre elementos. El patrón de co-ocurrencia de elementos asume que ciertos elementos aparecen consistentemente en pares en los registros de visualización o consumo de los usuarios. Primero, para aprender las relaciones entre elementos, se aplica un grafo cuya distancia se mide mediante la Información Mutua Puntual Normalizada (NPMI) para enlazar los elementos para el patrón de co-ocurrencia. Luego, para aprender tantas características útiles como sea posible para una mayor calidad de recomendación, se utilizan una Red Neuronal Convolucional (CNN) y el modelo Transformer para aprender de forma paralela las interacciones de características locales y globales. Finalmente, se llevaron a cabo una serie de experimentos exhaustivos en varios conjuntos de datos públicos para mostrar el rendimiento de nuestro modelo. Proporciona información valiosa sobre la capacidad de nuestro modelo en las tareas de recomendación y ofrece un camino viable para la operación de datos públicos.