随着信息技术和互联网产业的发展,资源呈指数增长趋势,信息过载已成为人们面临的重大挑战。个性化推荐系统可以为上述困难提供一个有前景的解决思路。在序列推荐领域中,序列建模为图结构引起广泛研究。本文针对现有方法在捕获复杂项目转换关系方面存在缺陷以及大多数研究没有明确区分不同历史点击对当前点击影响的问题,提出一种新的基于注意力机制融合用户属性的图神经网络（Graph Neural Network Fusing User Attributes Based on Attention Mechanism,A-UGNN）序列推荐算法。首先,针对以往基于GNN的方法仅关注各个序列本身的信息,忽略用户本身的个性化特征的问题,提出一种融合用户属性的图神经网络序列推荐模型（UGNN）。一方面,由于不同用户有不同的行为模式,继而导致每个用户有不同的项目转换关系,因此在GGNN模块中注入用户信息,从而在每次节点更新时,融合用户嵌入和项目隐藏层嵌入以便有效提取每个子图中的个性化结构信息。另一方面,序列图化后会缺失位置信息,为此通过在原始项目嵌入中合并位置嵌入,进而自适应地学习每个项目的相对位置信息,从而有效利用顺序感知器和图形感知器模型的优势。其次,为弥补用户兴趣随时间变化而漂移的问题,在UGNN的基础上引入注意力机制,提出基于注意力机制融合用户属性的图神经网络序列推荐模型（A-UGNN）。将原始序列中的最后一次点击作为多头机制中的查询,自适应地获取用户当前的兴趣表达,使其相比其他GNN模型对用户兴趣漂移更敏感。此外,为充分利用用户与项目的特征信息,将静态和动态偏好融合生成用户的统一表示,其中动态偏好代表用户历史点击,而静态偏好则表示用户固有属性。最后,通过两个真实数据集证明所提方法在平均倒数排名（MRR）、归一化折损累计增益（NDCG）和命中率（HR）等推荐精度指标上均有提高,且优于其他基准。