L'ordre chronologique des interactions utilisateur-élément est une caractéristique clé dans de nombreux systèmes de recommandation, où les éléments que les utilisateurs interagiront peuvent largement dépendre de ceux qu'ils viennent d'accéder récemment. Cependant, avec l'augmentation considérable du nombre d'utilisateurs et d'éléments, les systèmes de recommandation séquentielle font toujours face à plusieurs problèmes complexes : (1) la difficulté de modéliser les intérêts à long terme des utilisateurs à partir d'un feedback implicite épars ; (2) la difficulté de capturer les intérêts à court terme des utilisateurs en fonction de plusieurs éléments auxquels ils viennent d'accéder. Pour faire face à ces défis, nous proposons un réseau de portes hiérarchiques (HGN), intégré au classement personnalisé bayésien (BPR), afin de capturer à la fois les intérêts à long terme et à court terme des utilisateurs. Notre HGN comprend un module de porte de caractéristiques, un module de porte d'instances et un module produit élément-élément. En particulier, nos modules de porte de caractéristiques et de porte d'instances sélectionnent respectivement quelles caractéristiques des éléments peuvent être transmises aux couches suivantes au niveau des caractéristiques et des instances. Notre module produit élément-élément capture explicitement les relations entre les éléments auxquels les utilisateurs ont accédé par le passé et ceux auxquels ils accèderont à l'avenir. Nous évaluons notre modèle en détail en comparaison avec plusieurs méthodes state-of-the-art et différentes métriques de validation sur cinq jeux de données réels. Les résultats expérimentaux démontrent l'efficacité de notre modèle pour la recommandation séquentielle Top-N.