Capturar la dependencia a largo plazo de los comportamientos históricos es la clave del éxito de la recomendación secuencial; sin embargo, los métodos existentes se centran en extraer información secuencial global mientras descuidan obtener representaciones profundas de subsecuencias. La investigación previa ha revelado que la transferencia restringida entre elementos es fundamental para la modelización secuencial, y algunas subestructuras potenciales de secuencias pueden ayudar a que los modelos aprendan una dependencia a largo plazo más efectiva en comparación con toda la secuencia. Para encontrar automáticamente mejores subsecuencias y llevar a cabo un aprendizaje eficiente, proponemos un modelo de recomendación secuencial con una unidad recurrente con compuerta y Transformadores, abreviado como GAT4Rec, que emplea Transformadores con parámetros compartidos entre capas para modelar las secuencias de interacción históricas de los usuarios. La representación aprendida por la unidad recurrente con compuerta se utiliza como señal de compuerta para identificar la subestructura óptima en las secuencias de usuario. La representación fusionada de la subsecuencia y la información de borde se extrae mediante la capa de codificación para realizar las recomendaciones correspondientes. Los resultados experimentales en cuatro conjuntos de datos públicos bien conocidos demuestran que nuestro modelo GAT4Rec supera a otros modelos de recomendación, logrando mejoras de rendimiento del 5,77%, 1,35%, 11,58% y 1,79% en la métrica de ganancia acumulada descontada normalizada (NDCG@10), respectivamente.