La modélisation des préférences utilisateur et de leur dynamique est au coeur de la construction des systèmes de recommandation séquentielle. Les défis résident dans la combinaison réussie de l'historique des utilisateurs et de leurs actions récentes pour fournir des recommandations personnalisées. Les méthodes existantes s'appuient sur des chaînes de Markov d'ordre fixe, limi-tant la personnalisation. Nous proposons d'utiliser des séquences fréquentes de longueur variable, pour mieux identifier la dynamique séquentielle, et projetons les items dans un espace euclidien en fonction de la préférence utilisateur et de leur historique récent. Une étude empirique sur 13 jeux de données montre que notre méthode surpasse les performances des différentes méthodes de l'état de l'art. De plus, nous pouvons fournir des éclairages sur la recommandation.