Le domaine de la recommandation gagne peu à peu la vie réelle : à leur arrivée dans un musée ou dans une ville à visiter, beaucoup de touristes consultent encore divers guides. Au cours des dernières années, l’apparition et la démocratisation des appareils numériques nomades (smartphones, tablettes) ont poussé les touristes vers des guides dématérialisés. Ainsi, les musées se sont équipés de nouveaux terminaux et d’applications de personnalisation de visite (par exemple le Louvre-Lens, le Guggenheim et la Cité des Sciences et de l’Industrie). Au coeur de ces applications se trouve un système de recommandation. Cependant, ce nouveau domaine applicatif comporte plusieurs spécificités : il s’agit de recommander non seulement des oeuvres ou des points d’intérêt mais aussi des parcours thématiques et personnalisés. Du point de vue scientifique, les enjeux sont nombreux : transposer le problème de la recommandation à des séquences, prendre en compte les aspects dynamiques pour affiner les profils au fil des visites, intégrer des contraintes de temps de visite ou d’engorgement des certaine salles. Dans ce travail, nous nous intéressons à la recommandation dynamique de points d’intérêt (POI) dans des graphes géographiques. Nous travaillons sur plusieurs jeux de données : un jeu issu d’un musée et trois jeux de photos géolocalisées collectées sur Flickr. Dans tous les cas les données sont séquentielles, elles décrivent les parcours touristiques pour des utilisateurs. Nous proposons trois modèles de références basés sur une modélisation probabiliste des déplacements observés puis nous introduisons un modèle latent permettant de mieux passer à l’échelle en projetant les graphes dans un espace continu. Etant donnée l’originalité de la tâche, nous introduisons également plusieurs métriques d’évaluation dédiées à ce cadre applicatif.