La tâche de recommandation basée sur les sessions consiste à prédire les actions des utilisateurs à partir de sessions anonymes. Les recherches récentes modélisent principalement la session cible comme une séquence ou un graphe afin de capturer les transitions entre articles au sein de cette session, tout en ignorant les transitions complexes entre articles provenant de différentes sessions générées par d'autres utilisateurs. Ces transitions entre articles incluent des informations potentiellement collaboratives et reflètent des schémas de comportement similaires, que nous supposons pouvant contribuer à la recommandation pour la session cible. Dans cet article, nous proposons une méthode originale, nommée Réseau de transitions graphiques à double canal (DGTN), afin de modéliser les transitions entre articles non seulement au sein de la session cible, mais aussi au sein des sessions voisines. Plus précisément, nous intégrons la session cible et ses sessions voisines (similaires) dans un seul graphe, puis injectons explicitement les signaux de transition dans les embeddings par propagation adaptée aux canaux. Des expériences sur des jeux de données réels démontrent que DGTN surpasser d'autres méthodes de pointe. Une analyse approfondie confirme la pertinence de la modélisation des transitions entre articles à double canal, suggérant une voie prometteuse pour les recherches futures en recommandation basée sur les sessions.