随着新时代科学技术的飞速发展,网络上各种各样的数据信息越来越多,这使人们想要在有限时间内获取自己想要的数据变得越来越困难。为解决这种信息过载的问题,推荐系统的存在显得十分重要。但在某些情况下可能会出现个人信息、历史记录无法使用或用户兴趣多变即时性较强的情况,为应付这类问题,基于会话的推荐系统出现了。会话推荐系统的目的是在不访问用户的长期配置文件的情况下,仅根据用户目前正在访问进行的会话数据来预测用户接下来的访问行为。当前基于会话的推荐系统主要分为三大类方法,分别是传统的会话推荐方法、潜在表示方法和深度神经网络方法。近年来随着深度神经网络的发展,图神经网络被广泛应用到基于会话的推荐系统当中,并取得了很好的效果。但当前各种基于会话推荐的模型大多存在对物品间全局关系的获取和使用不足的问题,为解决这个问题,本文将基于会话的图神经网络推荐算法与全局上下文信息相结合,提出了基于会话的结合全局上下文信息的图神经网络推荐算法模型,以更好的利用所有会话中的项目转换来推断当前会话的用户偏好。本文根据全部会话序列构建全局图与会话图,在全局图中引入了会话中各交互的时间间隔、会话中项目的二阶邻接交互信息以及不同会话间交互项之间邻接交互彼此之间可能存在的关联性来增强对全局上下文信息的利用,不但实现了跨会话的信息传递,而且挖掘了全局潜在信息。模型会分别从会话图和全局图中分别学习信息再通过合并获得项目嵌入表示,再使用软注意力获取会话嵌入表示来预测下一个交互行为。本文在两个基准数据集上进行了多个实验,与现有的基于会话的推荐算法进行对比,并基于两种推荐评价指标来对本文中提出的模型进行验证。在实验结果中,本文提出的模型在各项指标中取得了最佳的效果,这表明本文模型在会话推荐领域中的优越性。