Die Aufgabe der sessionsbasierten Empfehlung besteht darin, Benutzeraktionen anhand anonymisierter Sessions vorherzusagen. In jüngeren Forschungsarbeiten wird die Ziel-Sessions hauptsächlich als Sequenz oder Graph modelliert, um Item-Übergänge innerhalb dieser Session zu erfassen, wobei komplexe Übergänge zwischen Items in unterschiedlichen Sessions, die von anderen Nutzern generiert wurden, vernachlässigt werden. Diese Item-Übergänge enthalten potenzielle kooperative Informationen und spiegeln ähnliche Nutzerverhaltensmuster wider, die wir für hilfreich bei der Empfehlung für die Ziel-Sessions halten. In diesem Artikel stellen wir eine neuartige Methode vor, den Dual-Channel-Graph-Transition-Netzwerk (DGTN), zur Modellierung von Item-Übergängen sowohl innerhalb der Ziel-Sessions als auch in benachbarten (ähnlichen) Sessions. Konkret integrieren wir die Ziel-Sessions zusammen mit ihren benachbarten Sessions in einen einzigen Graphen. Anschließend werden die Übergangssignale explizit durch kanalbewusste Propagation in die Embeddings eingeführt. Experimente auf realen Datensätzen zeigen, dass DGTN andere state-of-the-art-Methoden übertrifft. Eine weitere Analyse bestätigt die Plausibilität der Dual-Channel-Modellierung von Item-Übergängen und deutet auf einen möglichen zukünftigen Forschungsrichtung für die sessionsbasierte Empfehlung hin.