捆绑推荐通过提供一组预定义的商品组合来增强用户体验并提升商家销售业绩。在视频点播、音乐播放列表生成等众多服务生态系统中同样扮演着重要角色。现有的捆绑推荐方法常常依赖共享模型参数或多任务学习的方案，忽略了用户、商品及捆绑包三者之间的深层次联系，从而导致信息丢失，影响推荐系统的性能。针对上述问题，提出了一种创新框架——完整超图神经网络(CHNN)。首先，该框架构建一个完整的超图来表达用户、商品和捆绑包之间的三元关系，三元关系不仅包括用户、商品和捆绑包之间的相互联系，还包括用户和捆绑包的内部连接，可以有效地描述商品捆绑与用户偏好的关系。其次，模型包括初始化层、三卷积层和预测层。初始化层为每个用户、商品和捆绑包生成嵌入向量。三卷积层提取完整的超图信息，并利用用户-捆绑包图和商品-捆绑包图的信息来增强用户、商品和捆绑包的表示。预测层根据最终的嵌入向量提供建议。通过多层丰富的卷积操作，充分挖掘完整超图中包含的关联，以实现更准确的推荐。在网易和有书两个现实世界数据集上的实验表明，CHNN在Recall指标上平均提升了2.4%，在NDCG指标上平均提升了2.75%，超越了现有的基线模型，展示了其在捆绑推荐领域的有效性。