随着互联网的快速发展,推荐系统引起了学术界和工业界的极大关注。作为解决信息过载的一个有力工具,推荐系统根据用户的历史交互记录,对用户兴趣进行建模,发掘潜在的兴趣,并推荐用户可能感兴趣的项目。近年来,基于多兴趣的序列推荐成为一个研究热点。与单一兴趣模型相比,多兴趣模型根据用户的历史交互序列,从不同方面提取多个潜在兴趣。然而,现有的这些方法存在以下两个问题:1)在现实生活中,用户通常是因为项目的某些属性而交互它,将项目视为提取兴趣的基本单元无法获取用户更加细粒度的兴趣;2)另一方面,每个交互都是用户兴趣驱使下的结果,观察到的交互记录只是用户完整兴趣的部分体现,因此直接从交互序列提取到的兴趣不能刻画用户完整的兴趣。本文从项目自身属性信息和项目之间的全局信息角度出发,提出了一个新的融合属性和全局信息的多兴趣序列推荐模型（AGRec）,通过充分利用属性信息和全局信息来学习到更加细粒度和更完整的用户兴趣表示。具体来说,为了学习到用户更加细粒度的兴趣,首先根据项目的属性信息,由项目序列生成对应的属性序列,然后应用一个基于图卷积网络的属性关系学习层聚合属性的邻居项目信息,再使用基于自注意力机制的多兴趣提取层从属性序列中提取多个细粒度的用户兴趣;而为了学习用户更加完整的兴趣表示,本文根据训练集中所有用户的交互序列构造全局图,然后应用图卷积网络对全局图中的邻居信息进行聚合,再使用同样的多兴趣提取层从项目序列中提取多个更加完整的用户兴趣。最后对两个层级上提取的多个兴趣进行有效的融合后,用于模型训练与模型预测。在Amazon、Movie Lens、Yelp三个公开数据集上充分的实验结果表明AGRec模型显著优于其他的对照方法。与对照方法中最好的性能相比,AGRec模型的评价指标HR@5分别提升了6.56%、0.99%、4.93%。