La recomendación de cursos es un servicio crítico en los Sistemas de Tutoría Inteligente (ITS) que ayuda a los estudiantes a descubrir cursos relevantes de plataformas educativas masivas en línea. A pesar de los avances sustanciales en este campo, dos desafíos clave permanecen sin resolver: (1) los métodos existentes no logran aprovechar las diferencias en los intereses de los estudiantes a través de diferentes cursos durante los procesos de propagación del conocimiento, y (2) aunque se han considerado relaciones secuenciales en las recomendaciones de cursos, todavía hay un margen significativo para mejorar la integración efectiva de patrones secuenciales con enfoques basados en grafos de conocimiento. Para superar estas limitaciones, proponemos PGDB (Red de Difusión de Grafos Consciente de Preferencias y Bi-LSTM), un marco innovador de extremo a extremo para la recomendación de cursos. Nuestro modelo consta de cuatro componentes clave: Primero, un módulo de difusión de grafos de conocimiento de cursos que recopila recursivamente múltiples triples de conocimiento relacionados con los estudiantes para construir su trasfondo de conocimiento. Segundo, un mecanismo de atención de difusión consciente de preferencias analiza las preferencias de los estudiantes por los cursos y los caminos relacionales utilizando atención de múltiples cabezas, distinguiendo efectivamente la diversidad semántica a través de diferentes contextos y capturando los variados intereses de los estudiantes durante la transmisión del conocimiento. Tercero, un módulo de modelado de secuencias temporales utiliza redes de memoria a largo y corto plazo bidireccionales para identificar los patrones de evolución del interés de los estudiantes, generando representaciones dependientes del estudiante que aprovechan eficientemente las relaciones secuenciales entre los cursos. Finalmente, un módulo de predicción combina las representaciones finales de los estudiantes y los cursos para generar probabilidades de selección para los cursos candidatos. Resultados experimentales extensos demuestran que PGDB supera significativamente a los modelos de referencia de última generación en múltiples métricas de evaluación, validando la efectividad de nuestro enfoque para abordar los desafíos de escasez de datos y modelado secuencial en los sistemas de recomendación de cursos.