Predecir el próximo comportamiento de los usuarios a través del aprendizaje de las preferencias de los usuarios según los comportamientos históricos de los usuarios se conoce como recomendación secuencial. En esta tarea, aprender la representación de secuencia modelando la relación por pares entre elementos en la secuencia para capturar sus dependencias a largo plazo es crucial. En este documento, proponemos una nueva red neuronal profunda llamada recomendador de transformador de red convolucional de grafo (GCNTRec). GCNTRec es capaz de aprender una representación efectiva de elementos en la secuencia de comportamientos históricos de un usuario, lo que implica extraer la correlación entre el nodo objetivo y los nodos vecinos de múltiples capas en los grafos construidos bajo las redes de información heterogéneas de manera de extremo a extremo a través de una red convolucional de grafo (GCN) con codificación de grado, mientras captura las dependencias a largo plazo de elementos en una secuencia a través del modelo codificador de transformador. Utilizando esta representación vectorial multidimensional, los elementos relacionados con una secuencia de comportamiento histórico de un usuario pueden predecirse fácilmente. Evaluamos empíricamente GCNTRec en múltiples conjuntos de datos públicos. Los resultados experimentales muestran que nuestro enfoque puede predecir efectivamente elementos relevantes posteriores y supera a técnicas anteriores.