Las recomendaciones de paquetes proporcionan sugerencias personalizadas a los usuarios combinando artículos relacionados en paquetes, con el objetivo de mejorar las experiencias de compra de los usuarios y aumentar los ingresos de los comerciantes. Las soluciones existentes basadas en redes neuronales gráficas (GNN) enfrentan varios desafíos significativos: (1) es exigente modelar explícitamente múltiples asociaciones complejas utilizando redes neuronales gráficas estándar, (2) se introducen numerosos nodos y aristas adicionales para aproximar asociaciones de orden superior, y (3) los datos de interacción histórica usuario-paquete son altamente dispersos. En este trabajo, proponemos un modelo convolucional de hipercubo estructural global para recomendación de paquetes (SHCBR) para abordar los problemas mencionados anteriormente. Específicamente, incorporamos conjuntamente múltiples interacciones complejas entre usuarios, artículos y paquetes en un hipercubo relacional sin introducir nodos y aristas adicionales. La estructura del hipercubo incorpora inherentemente asociaciones de orden superior, aliviando así la carga de entrenamiento en redes neuronales y el dilema de datos escasos de manera efectiva. Además, diseñamos una regla especial de propagación de matrices que captura relaciones complejas no emparejadas entre entidades. Utilizando nodos de artículos como enlaces, las redes convolucionales de hipercubo estructural aprenden representaciones de usuarios y paquetes en un hipercubo relacional. Los experimentos realizados en dos conjuntos de datos del mundo real demuestran que el SHCBR supera a los baselines de última generación en un 11.07-25.66% en Recall y un 16.81-33.53% en NDCG. Los resultados experimentales indican además que el enfoque basado en hipercubos puede ofrecer nuevas ideas para abordar los desafíos de recomendación de paquetes. Los códigos y conjuntos de datos se han publicado en GitHub.