Con el rápido aumento en la popularidad de los grandes datos y la tecnología de internet, la recomendación secuencial se ha convertido en un método importante para ayudar a las personas a encontrar artículos en los que están potencialmente interesados. Los métodos de recomendación tradicionales utilizan solo redes neuronales recurrentes (RNN) para procesar datos secuenciales. Aunque son efectivos, los resultados pueden no ser capaces de capturar adecuadamente tanto la preferencia basada en el significado como las transiciones complejas entre los artículos. En este artículo, modelamos secuencias de sesiones separadas en gráficos de sesiones y capturamos transiciones complejas utilizando redes neuronales de grafos (GNN). Además, vinculamos artículos en secuencias de interacción con entidades de bases de conocimiento externas (KB) existentes e integramos el recomendador basado en GNN con redes de memoria clave-valor (KV-MN) para incorporar el conocimiento de KB. Específicamente, establecemos una matriz clave para muchas incrustaciones de relación que se aprendieron de KB, correspondientes a muchos atributos de entidad, y configuramos un conjunto de matrices de valor que almacenan las preferencias basadas en el significado de diferentes usuarios para el atributo correspondiente. Al utilizar una combinación de GNN y KV-MN, cada sesión se representa como la combinación del interés actual (es decir, preferencia secuencial) y la preferencia global (es decir, preferencia basada en el significado) de esa sesión. Experimentos extensivos en tres conjuntos de datos públicos del mundo real muestran que nuestro método supera consistentemente a los algoritmos base.