La recomendación secuencial de múltiples comportamientos (MBSRec) es una forma de recomendación secuencial. Aprovecha los tipos de comportamiento de interacción histórica de los usuarios para predecir mejor sus próximas acciones. Este enfoque se adapta mejor a los escenarios del mundo real que los modelos tradicionales. Con el auge del modelo transformer, los mecanismos de atención se utilizan ampliamente en los algoritmos de recomendación. Sin embargo, sufren de filtrado de paso bajo, y las codificaciones posicionales aprendibles simples en los modelos existentes ofrecen ganancias de rendimiento limitadas. Para abordar estos problemas, introducimos el modelo de recomendación secuencial de múltiples comportamientos consciente del contexto (CAMBSRec). Codifica por separado los elementos y los tipos de comportamiento, reemplaza la codificación posicional tradicional con codificación posicional de similitud contextual, y aplica la transformada de Fourier discreta para separar los componentes de alta y baja frecuencia y mejorar los componentes de alta frecuencia, contrarrestando el efecto de filtrado de paso bajo. Los experimentos en tres conjuntos de datos públicos muestran que CAMBSRec tiene un mejor rendimiento que cinco modelos de referencia, demostrando sus ventajas en términos de rendimiento de recomendación.