随着在线信息量的不断增加,推荐系统已经发展成为帮助用户快速地选择高价值信息的基本工具,并在现实商业中发挥着重要作用。基于会话的推荐系统仅仅根据用户在短期会话期间点击的物品数据来提供精准地预测。大多数传统的推荐方法只能根据用户在会话中的最近一次点击的物品进行预测,而忽略了用户在会话期间点击的物品信息。最近,循环神经网络模型被提出用于基于会话的推荐任务,可以根据用户在会话期间点击的物品进行预测。尽管目前基于会话的推荐算法相对于传统的推荐方法在表示用户在会话期间点击的物品信息方面有了很大地改进,但现有的研究工作仍面临以下问题:1)基于会话的推荐主要根据用户在会话期间点击的物品信息进行预测,无法表示用户在会话期间点击的物品之间的联系。2)用户偏好在不同时刻可能动态发生变化,从而无法确定用户在会话期间点击的物品对于推荐下一个物品的影响程度。为了解决上述存在的问题,本文结合双向GRU神经网络和注意力机制提出了基于会话的推荐模型——Bi GRUAA-Rec(Recommendation Model Based on Bi-directional GRU And Attention)。Bi GRUAA-Rec中,首先通过Embedding层提取用户在会话期间点击的物品特征,然后使用双向GRU神经网络模型表示用户在会话期间点击的物品之间的关系,以及应用注意力机制进一步捕获用户在会话期间点击的物品对于推荐用户感兴趣的物品的影响程度,最后在推荐模型输出层使用双线性相似度计算方案来有效地减少模型训练的参数并且显著地提高推荐模型的性能。论文采用YOOCHOOSE数据集将提出的推荐模型与其他推荐算法进行了实验对比与分析。实验结果显示了本文提出的模型在Recall@20和MRR@20两个评估指标上分别达到了66.69%和31.13%,相较于“Improved GRU-Rec”推荐模型分别提高了3.84%和3.64%。实验分析表明了对于长会话数据集本文提出的模型在Recall@20和MRR@20两个评估指标上分别达到了65.17%和27.38%,相较于“Improved GRU-Rec”推荐模型分别提高了4.05%、3.09%。从而通过实验结果和实验分析说明了本文提出的推荐模型优势。