現在、セッションベースの推薦は多くのウェブサイトにおいて重要な役割を果たしており、匿名のセッションに基づいてユーザーの行動を予測することを目的としています。これまでに、セッション内のアイテムの時間的遷移を分析することで、セッションをシーケンスまたはグラフとしてモデル化する研究が多数提案されています。しかし、これらの手法は、予測対象のアイテムを考慮せずにセッションを固定された表現ベクトルに圧縮するため、予測対象のアイテムの多様性やユーザーの興味の多様性を十分に反映できていないという課題があります。固定されたベクトルは、推薦モデルの表現能力を制限する要因となります。本研究では、セッションベースの推薦を目的とした新たなターゲット注意型グラフニューラルネットワーク（Target Attentive Graph Neural Network, TAGNN）を提案します。TAGNNでは、ターゲットアイテムに応じてユーザーの関心を適応的に活性化する「ターゲットに敏感なアテンション」機構を導入することで、異なる予測対象アイテムに対して異なる関心表現ベクトルを学習することが可能になります。これにより、モデルの表現力が著しく向上します。さらに、TAGNNはグラフニューラルネットワークの強力な表現能力を活用し、セッション内における豊かなアイテム遷移を捉えることができます。実世界のデータセットを用いた包括的な実験により、最先端の手法を上回る性能を示すことが確認されました。