Las redes convolucionales de grafos son ampliamente utilizadas en tareas de recomendación debido a su capacidad para aprender incrustaciones de usuarios e ítems utilizando señales colaborativas de vecindarios de alto orden. La mayoría de las tareas de recomendación convolucional de grafos en estudios existentes se han especializado en modelar un solo tipo de preferencia de interacción usuario-ítem. Mientras tanto, los modelos de recomendación basados en redes de convolución de grafos son propensos a problemas de suavizado excesivo al apilar un mayor número de capas. Por lo tanto, en este estudio proponemos un método de recomendación multi-comportamiento basado en filtrado colaborativo de transformadores de grafos. Este método utiliza un modelo de generación de subgráficos no supervisado que divide a los usuarios con preferencias similares y sus ítems de interacción en subgráficos. Además, fusiona capas de atención de múltiples cabezas con estrategias de codificación temporal basadas en los grafos de interacción usuario-ítem en los subgráficos de modo que las incrustaciones aprendidas puedan reflejar múltiples relaciones usuario-ítem y el potencial de interacciones dinámicas. Finalmente, la recomendación multi-comportamiento se realiza uniendo representaciones de incrustaciones de múltiples capas. Los resultados experimentales en dos conjuntos de datos del mundo real muestran que el método propuesto funciona mejor que los sistemas previamente desarrollados.