随着Web2.0和大数据技术的迅速发展,互联网中数据量呈爆炸式增长,海量数据蕴含了巨大的商业价值,但其庞大的数据量阻碍着用户高效准确地获取所需信息。为解决上述问题,推荐系统被广大研究学者提出,其通过挖掘用户历史行为数据为用户推荐其潜在感兴趣的信息（或商品）,从而有效缓解信息过载问题。其中,会话推荐系统主要对用户的行为序列进行建模,受到了广泛关注。目前,已有会话推荐算法主要基于深度学习方法来提升算法性能,然而现有算法在建模过程中通常只关注于单一会话,由于单一会话中包含的信息有限,其难以准确捕捉复杂物品转移关系和用户重复行为偏好。因此,考虑引入两种全局信息（即全局转移关系和群体行为模式）来解决上述问题:（1）针对会话推荐中存在的物品全局转移关系建模,提出了一种基于全局上下文增强的图神经网络会话推荐算法。该算法通过将所有会话中数据切分成物品关系对的方式构建物品全局关系转移图,以学习不同物品在全局关系转移图中的上下文依赖关系,从而有效解决物品转移关系因信息受限难以捕捉的问题。（2）针对会话推荐中群体用户的重复行为偏好建模,提出了一种基于群体行为模式的会话推荐算法。该算法通过定义群体行为模式将全局信息引入会话推荐建模中,基于群体行为模式来准确预测当前会话中用户是否倾向于重复行为以及用户对已交互过物品的偏好,从而有效解决用户重复行为偏好因信息受限难以学习的问题,进而提升会话推荐算法的性能。在多个真实世界数据集上的实验结果表明,所提出的两个算法在Precision@N和MRR@N指标上能超越现有方法,且消融实验结果验证了所提出的全局转移关系和群体行为模式的有效性,这说明所提出的算法有潜力能够在真实场景中为用户提供更高性能的推荐服务。