随着信息时代的到来,推荐系统变得越来越重要。它可以帮助用户在诸多领域,例如网络搜索、电子商务等挑选用户实际需要的信息,有效解决信息过载问题。传统推荐系统主要基于长期且静态的用户评分矩阵,忽略了用户与项目交互的时间次序。基于会话推荐的算法可以有效解决此类问题。会话表示由同一用户在短期内交互的项目所构成的有序序列。基于图神经网络的会话推荐模型通过将会话序列数据建模为图形结构获取会话中项目的复杂转换关系,取得了不错的推荐效果。然而,原先的基于图神经模型的会话推荐模型普遍存在一些不足之处:一是将会话序列数据构建为图形结构时仅采用连续项目的单次转换关系,忽略了会话序列中包含的大量有效信息,掩盖了不同项目对于用户的重要性程度差异。同时缺乏对于项目间内容关联性以及项目所处环境的分析,从而忽视了用户短期内的实际偏好;二是获得模型更新后的项目信息,用以生成会话表示时过分集中于会话中的最终项目,忽略了会话中其余项目,尤其是长距离项目的重要性,且缺乏对于会话中项目间隐含关联性的考量,从而影响了生成的会话表示精度。针对上述问题进行研究,提出相应的改进方法,主要工作如下所示:第一,将可观测用户重复点击行为与隐藏用户重复点击行为信息纳入会话图构建过程当中,从而生成新的基于用户信息的出入邻接矩阵。采用图注意力网络计算节点项目间的属性特征相关性信息,同时利用重启随机游走算法计算以节点为中心的图形拓扑结构,并求出结构之间的jacard相关性信息。综合两类相关性信息,从而获得节点内容权重系数,生成基于项目内容的出入邻接矩阵。通过拼接方式将两类邻接矩阵聚合后的节点邻域信息进行结合,平衡两者的信息差,防止信息间的相互覆盖。通过GRU单元模块利用聚合后的节点邻域信息,同时引入残差网络将浅层网络信息通过残差连接方式与高层网络相结合,防止历史信息的遗失。第二,针对无法有效利用会话序列整体项目信息,过分集中于最后点击项目的问题,采用外部注意力与软注意力机制相结合的方式生成会话表示。将更新后的会话项目输入到外部注意力机制当中,采用两个小型、可学习的参数矩阵捕捉整体项目间的隐藏关联信息,并将其计算后的矩阵作为权重系数与此前的会话项目做元素对位相乘,并与软注意力机制获得的结果相加,从而获得更精准的会话全局表示。与最后点击项目相结合经过线性转换生成最终的会话表示,进而推出项目分数与点击概率分布,做出推荐。本文模型在Yoochoose和Diginetica两个真实数据集上进行测试,基于P@20和MRR@20两种评分指标验证本文模型效果,并与基准模型运行结果进行比较。实验结果证明,本文的方法优于现有的基准模型,特别地,在MRR@20评价指标上提升最为明显。与SR-GNN模型相比,在Yoochoose数据集的MRR@20指标上提高了6.55%,而Diginetica数据集的MRR@20指标上提高了12.50%。从而验证了本文提出模型的有效性。