Session-basierte Empfehlungen spielen heutzutage eine entscheidende Rolle auf vielen Websites und zielen darauf ab, die zukünftigen Aktionen von Nutzern basierend auf anonymen Sitzungen vorherzusagen. In zahlreichen Studien wird eine Sitzung als Sequenz oder Graph modelliert, indem die zeitlichen Übergänge zwischen Artikeln innerhalb einer Sitzung untersucht werden. Allerdings komprimieren diese Ansätze eine Sitzung in einen festen Repräsentationsvektor, ohne die zu prognostizierenden Zielartikel zu berücksichtigen. Dieser feste Vektor begrenzt die Ausdruckskraft des Empfehlungssystems, da er die Vielfalt der Zielartikel sowie die unterschiedlichen Interessen der Nutzer nicht berücksichtigt. In diesem Artikel stellen wir ein neuartiges Ziel-orientiertes Aufmerksamkeits-Graph-Neuronales Netzwerk (Target Attentive Graph Neural Network, TAGNN) für session-basierte Empfehlungen vor. In TAGNN aktiviert die zielbewusste Aufmerksamkeit adaptiv unterschiedliche Nutzerinteressen je nach unterschiedlichen Zielartikeln. Der gelernte Interessen-Repräsentationsvektor variiert je nach Zielartikel und verbessert somit erheblich die Ausdruckskraft des Modells. Zudem nutzt TAGNN die Stärke von Graph-Neural Networks, um reichhaltige Artikelübergänge innerhalb von Sitzungen zu erfassen. Umfassende Experimente auf realen Datensätzen belegen die Überlegenheit des vorgeschlagenen Ansatzes gegenüber aktuellen State-of-the-Art-Methoden.