En los últimos años, la minería de información de múltiples comportamientos de usuario para predicción se ha convertido en un tema candente en los sistemas de recomendación. Por lo general, los investigadores solo utilizan redes de grafos para capturar la relación entre múltiples tipos de información de interacción de usuario y elementos objetivo, mientras ignoran el orden de las interacciones. Esto hace que la información de múltiples comportamientos se subutilice. En respuesta al problema anterior, proponemos un nuevo modelo de recomendación de red de grafos híbrida llamado Red de Grafos de Múltiples Comportamientos de Usuario (UMBGN). El modelo utiliza un mecanismo de aprendizaje conjunto para integrar secuencias de interacción de múltiples comportamientos de usuario-elemento. Diseñamos una capa de información consciente de múltiples comportamientos de usuario para centrarnos en las características de múltiples comportamientos a largo plazo de los usuarios y aprender información de interacción usuario-elemento ordenada temporalmente a través de unidades BiGRU y unidades AUGRU. Además, también definimos los pesos de propagación entre el grafo de interacción usuario-elemento y el grafo de relación elemento-elemento de acuerdo con las preferencias de comportamiento del usuario para capturar dependencias más valiosas. Experimentos extensos en tres conjuntos de datos públicos, a saber, MovieLens, Yelp2018 y Online Mall, muestran que nuestro modelo supera a los mejores baselines en un 2.04%, 3.82% y 3.23%.