La recommandation basée sur les sessions joue actuellement un rôle essentiel sur de nombreux sites web, visant à prédire les comportements des utilisateurs à partir de sessions anonymes. De nombreuses études ont proposé de modéliser une session comme une séquence ou un graphe en analysant les transitions temporelles entre les articles au sein d'une session. Toutefois, ces approches réduisent une session à un vecteur de représentation fixe, sans tenir compte des articles cibles à prédire. Ce vecteur fixe limite la capacité d'expression du modèle de recommandation, notamment en raison de la diversité des articles cibles et des intérêts variés des utilisateurs. Dans cet article, nous proposons un nouveau modèle, le réseau neuronal à graphes attentif ciblé (TAGNN), dédié à la recommandation basée sur les sessions. Dans TAGNN, l’attention consciente du but adapte de manière dynamique l’activation des différents intérêts des utilisateurs selon les articles cibles. Le vecteur de représentation des intérêts appris varie en fonction des articles cibles, ce qui améliore considérablement l’expressivité du modèle. En outre, TAGNN exploite pleinement le pouvoir des réseaux neuronaux à graphes pour capturer des transitions riches entre les articles au sein des sessions. Des expériences approfondies menées sur des jeux de données réels démontrent l’avantage de TAGNN par rapport aux méthodes de pointe actuelles.