Le problème des recommandations basées sur les sessions vise à prédire les actions des utilisateurs en se basant sur des sessions anonymes. Les méthodes précédentes modélisent une session comme une séquence et estiment les représentations des utilisateurs en plus des représentations des éléments pour effectuer des recommandations. Bien que ces méthodes aient obtenu des résultats prometteurs, elles sont insuffisantes pour obtenir des vecteurs d'utilisateurs précis dans les sessions et négligent les transitions complexes entre les éléments. Pour obtenir une empreinte (embedding) précise des éléments et prendre en compte les transitions complexes de ceux-ci, nous proposons une nouvelle méthode, à savoir la Recommandation basée sur les Sessions avec des Réseaux Neuronaux Graphiques, abrégée en SR-GNN. Dans cette méthode proposée, les séquences de sessions sont modélisées comme des données structurées en graphe. Sur la base du graphe de session, le réseau neuronal graphique (GNN) peut capturer les transitions complexes entre les éléments, ce qui est difficile à révéler par les méthodes séquentielles conventionnelles précédentes. Chaque session est ensuite représentée comme la composition de la préférence globale et de l'intérêt actuel de cette session à l'aide d'un réseau d'attention. De nombreuses expériences menées sur deux jeux de données réels montrent que SR-GNN dépasse nettement et de manière constante les méthodes actuelles d'avant-garde pour la recommandation basée sur les sessions.