Session-basierte Empfehlungen zielen darauf ab, die nächste Aktion eines Nutzers basierend auf dessen historischem Verhalten innerhalb einer anonymen Sitzung vorherzusagen. Für eine verbesserte Empfehlungsleistung ist es entscheidend, sowohl die Nutzerpräferenzen als auch deren Dynamik angemessen zu erfassen. Zudem entwickeln sich Nutzerpräferenzen dynamisch über die Zeit, wobei jede Präferenz über einen eigenen Evolutionsverlauf verfügt. Allerdings ignorieren die meisten bisherigen Ansätze tendenziell die zeitliche Entwicklung der Präferenzen und sind leicht durch den Effekt von Präferenzverschiebungen beeinträchtigt. In diesem Artikel stellen wir ein neuartiges Modell namens Preference Evolution Networks for Session-based Recommendation (PEN4Rec) vor, das den Prozess der Präferenzentwicklung durch eine zweistufige Rekonstruktion aus historischen Kontexten modelliert. Konkret integriert der erste Schritt relevante Verhaltensweisen basierend auf kürzlich betrachteten Items. Im zweiten Schritt wird die zeitliche Entwicklung der Präferenz dynamisch modelliert, um reichhaltige Präferenzen abzuleiten. Dieser Ansatz verstärkt die Wirkung relevanter sequenzieller Verhaltensweisen während der Präferenzentwicklung und reduziert gleichzeitig die Störung durch Präferenzverschiebungen. Umfassende Experimente auf drei öffentlichen Datensätzen belegen die Wirksamkeit und Überlegenheit des vorgeschlagenen Modells.