Dans le contexte des scénarios de commerce électronique où les profils utilisateurs sont invisibles, la recommandation basée sur les sessions est proposée pour générer des résultats de recommandation à partir de sessions courtes. Les travaux antérieurs ne prennent en compte que le comportement séquentiel de l'utilisateur dans la session actuelle, sans mettre l'accent sur l'objectif principal de l'utilisateur lors de cette session. Dans cet article, nous proposons un nouveau cadre de réseaux neuronaux, à savoir la Machine de Recommandation Attentive Neuronale (NARM), pour résoudre ce problème. Plus précisément, nous explorons un encodeur hybride doté d'un mécanisme d'attention pour modéliser le comportement séquentiel de l'utilisateur et capturer son objectif principal dans la session actuelle, qui sont ensuite combinés en une représentation unifiée de session. Nous calculons ensuite les scores de recommandation pour chaque élément candidat avec un schéma d'appariement bilinéaire basé sur cette représentation unifiée de session. Nous formons NARM en apprenant conjointement les représentations des éléments et des sessions ainsi que leurs appariements. Nous avons mené des expériences approfondies sur deux jeux de données de référence. Nos résultats expérimentaux montrent que NARM surpassent les méthodes baselines les plus avancées sur les deux jeux de données. De plus, nous constatons également que NARM réalise une amélioration significative sur les sessions longues, ce qui démontre ses avantages dans la modélisation simultanée du comportement séquentiel et de l'objectif principal de l'utilisateur.