随着互联网上的数据海量增长,信息过载严重阻碍了人类社会的发展,推荐系统应运而生,它通过过滤、筛选匹配等手段,以解决信息过载的问题。传统的推荐系统核心问题是根据用户的历史反馈对用户和项目之间的交互进行建模,但这种建模的方式是静态的,只能捕获用户的共性偏好。在现实生活中,用户的习惯往往是序列化的行为,而不是独立的交互。此外,用户的偏好和物品的流行程度也会动态变化。不同的上下文通常会导致不同的用户项目交互。由于其适合于实际的应用场景,序列推荐已经成为整个深度学习社区关注的焦点。虽然近年来序列推荐系统的研究越来越多,但在探索和利用项目属性关系来提高预测精度方面仍存在不足。在本研究中,提出了一种新的技术框架--MIA-SR,通过利用多项目属性（MIA）来建模和预测用户偏好以实现序列推荐（SR）。（1）受到机器翻译任务的启发,在对用户动态行为建模时,以序列的形式来建模用户-项目之间的交互。具体基于Transformer架构,通过多头注意力机制,前馈网络,残差网络,层归一化等实现对用户序列的特征提取和编码。（2）为了能更好地刻画用户的多方面兴趣,除了使用项目序列,还使用属性序列来生成用户兴趣的多个向量表示,建立一个用于兴趣聚合的自我注意模块,实现用户兴趣表示的融合。（3）考虑到项目与属性高度相关并能够在语义上相互促进,进一步提出在项目-属性二部图上使用图卷积网络来增强项目和属性的表示。（4）最后,将预测用户兴趣的多个刻面视作多个任务,并可为每个任务生成独立的表征和预测结果。结合自动学习权重损失函数,对模型进行优化。在公共基准数据集上进行了大量的实验,以验证MIA-SR方法相对于现有方法的优越性。与目前最优秀的模型SASRec相比,MIA-SR模型在JD、Tao Bao数据集上HR@5-10至少提高了2.0%,NDCG@5-10至少提高了3.1%。在只有两个任务的ML-1M数据集上的预测精度也有一定提升。最后通过消融实验和参数分析,验证了MIA-SR中各个组件的有效性以及模型的可扩展性。