Das Problem der sessionsbasierten Empfehlung besteht darin, Benutzeraktionen auf Grundlage anonymisierter Sitzungen vorherzusagen. Frühere Methoden modellieren eine Sitzung als Sequenz und schätzen neben den Item-Darstellungen auch Benutzerdarstellungen, um Empfehlungen zu generieren. Obwohl diese Ansätze vielversprechende Ergebnisse erzielt haben, sind sie nicht ausreichend, um genaue Benutzervektoren in Sitzungen zu gewinnen, und sie ignorieren komplexe Übergänge zwischen Items. Um genaue Item-Einbettungen zu erhalten und die komplexen Übergänge zwischen Items zu berücksichtigen, schlagen wir eine neue Methode vor: die sessionsbasierte Empfehlung mit Graph Neural Networks (GNN), kurz SR-GNN. In der vorgeschlagenen Methode werden Sitzungssequenzen als graphstrukturierte Daten modelliert. Basierend auf dem Sitzungsgraph kann das GNN komplexe Übergänge zwischen Items erfassen, die durch frühere konventionelle sequentielle Methoden schwer zu erkennen sind. Jede Sitzung wird dann als Kombination des globalen Vorlieben und des aktuellen Interesses dieser Sitzung unter Verwendung eines Aufmerksamkeitsnetzwerks dargestellt. Ausführliche Experimente anhand zweier realer Datensätze zeigen, dass SR-GNN konsistent die besten bisher bekannten sessionsbasierten Empfehlungsmethoden deutlich übertrifft.