La recomendación basada en sesiones, que tiene como objetivo satisfacer las necesidades de los usuarios con recursos variados basados en sesiones anónimas, juega hoy en día un papel crítico en varias plataformas en línea (por ejemplo, sitios de transmisión de medios, búsqueda y comercio electrónico). Los algoritmos de recomendación existentes suelen modelar una sesión como una secuencia o un grafo de sesión para modelar las transiciones entre elementos. A pesar de su eficacia, argumentaríamos que el rendimiento de estos métodos aún tiene fallas: (1) Utilizar solo el incrustado de elementos de sesión fijos sin considerar la diversidad de intereses de los usuarios y los elementos objetivo. (2) Para el interés a largo plazo del usuario, la dificultad de capturar las diferentes prioridades para diferentes elementos con precisión. Para abordar estas deficiencias, proponemos un modelo novedoso que aprovecha tanto la red atenta objetivo como la red de autoatención para mejorar el recomendador basado en redes neuronales de grafos (GNN). En nuestro modelo, primero modelamos las secuencias de interacción del usuario como grafos de sesión que sirven como entrada del GNN, y cada vector de nodo involucrado en el grafo de sesión se puede obtener a través del GNN. A continuación, la red atenta objetivo puede activar diferentes intereses de usuario correspondientes a diferentes elementos objetivo (es decir, el incrustado de sesión aprendido varía con diferentes elementos objetivo), lo que puede revelar la relevancia entre los intereses de los usuarios y los elementos objetivo. Por último, después de aplicar el mecanismo de autoatención, las diferentes prioridades para diferentes elementos pueden ser capturadas para mejorar la precisión de la representación de sesión a largo plazo. Al utilizar una combinación de representación de sesión a largo plazo y a corto plazo, podemos capturar los intereses integrales de los usuarios a múltiples niveles. Experimentos extensos demuestran la efectividad de nuestro algoritmo en dos conjuntos de datos del mundo real para recomendación basada en sesiones.