Modelar las preferencias dinámicas de los usuarios es una tarea desafiante y esencial en un sistema de recomendación. Tomando inspiración del exitoso uso de mecanismos de autoatención en tareas dentro del procesamiento del lenguaje natural, varios enfoques han explorado inicialmente la integración de la autoatención en la recomendación secuencial, demostrando resultados prometedores. Sin embargo, los métodos existentes han pasado por alto la estructura intrínseca de las secuencias, han fallado en considerar simultáneamente la fluctuación local y la estabilidad global de los intereses de los usuarios, y han carecido de información de usuario. Para abordar estas limitaciones, proponemos LHASRec (Atención Jerárquica Consciente de lo Local para la Recomendación Secuencial), un modelo que divide las secuencias de interacción históricas de un usuario en múltiples sesiones basadas en un cierto intervalo de tiempo y calcula los valores de peso para cada sesión. Posteriormente, los valores de peso calculados se combinan con las secuencias de interacción históricas del usuario para obtener una secuencia de interacción de usuario ponderada. Este enfoque puede reflejar efectivamente la fluctuación local del interés del usuario, capturar la preferencia particular del usuario y, al mismo tiempo, considerar la preferencia general del usuario para lograr estabilidad global. Además, empleamos Incrustaciones Compartidas Estocásticas (SSE) como técnica de regularización para mitigar el problema de sobreajuste resultante de la incorporación de información del usuario. Realizamos experimentos extensos, mostrando que nuestro método supera a otras líneas de base competitivas en conjuntos de datos dispersos y densos y en diferentes métricas de evaluación.