L'adhésion de la population aux références nutritionnelles émises par les agences de santé est un enjeu majeur de santé publique et les systèmes de recommandation peuvent jouer un rôle essentiel à cet égard. L'enjeu est de construire un système capable de recommander non seulement des aliments, correspondant aux préférences des utilisateurs, mais aussi des menus, voire des séquences de menus, répondant à des contraintes diverses (e.g. régimes spécifiques, allergies, limites d'apports énérgetiques). Nous proposons une approche, basée sur les réseaux de neurones récurrents, qui modélise la structure séquentielle d'un repas en même temps que les préférences des utilisateurs. Notre architecture est apprise sur les données INCA2, qui décrivent des consommations séquentielles d'individus à l'échelle de la semaine. L'approche présentée permet de répondre aux questions de recherche suivantes: (1) Comment se structurent les différents repas de la journée ? (2) Comment mêler modélisation séquentielle et préférences utilisateurs ? et (3) Comment évaluer la qualité des recommandations dans ce contexte ? Notre campagne d'expériences s'appuie sur différentes métriques pour démontrer que nous arrivons effectivement à modéliser cet aspect séquentiel conjointement aux préférences de l'utilisateur. Il s'agit d'une étape importante dans un projet plus global visant ensuite à travailler sur des données hétérogènes en entrée et à intégrer des contraintes de différentes natures sur les séquences générées.