La recomendación basada en sesiones juega un papel importante en la vida diaria y existe en muchos escenarios, como sitios web de compras en línea y plataformas de medios de transmisión. Recientemente, algunos trabajos se han centrado en el uso de redes neuronales de grafos (GNNs) para recomendar nuevos elementos en escenarios basados en sesiones. Sin embargo, estos métodos han encontrado varias limitaciones. Primero, los métodos existentes suelen ignorar el impacto del tiempo de visita de los elementos en la construcción de los grafos de sesiones, lo que resulta en una desviación de la dinámica de recomendación del mundo real. En segundo lugar, las sesiones suelen ser escasas, lo que hace que sea un desafío para las GNNs aprender incrustaciones valiosas de elementos y preferencias de usuario. En tercer lugar, los métodos existentes suelen enfatizar en exceso el impacto del último elemento en las preferencias del usuario, descuidando su interés en múltiples elementos en una sesión. Para abordar estos problemas, presentamos una red neuronal de grafos sensible al tiempo para la recomendación de nuevos elementos en escenarios basados en sesiones, es decir, TSGNN. Específicamente, TSGNN proporciona una técnica novedosa de construcción de gráficos de sesiones sensibles al tiempo para resolver el primer problema. Para el segundo problema, TSGNN introduce la ampliación de gráficos y el aprendizaje contrastivo en él. Para resolver el tercer problema, TSGNN diseña un mecanismo de atención consciente del tiempo para discernir con precisión las preferencias del usuario. Al evaluar la compatibilidad entre las preferencias del usuario y las incrustaciones de nuevos elementos candidatos, nuestro método recomienda elementos con altos puntajes de relevancia para los usuarios. Experimentos comparativos demuestran la superioridad de TSGNN sobre los métodos de última generación (SOTA).