随着大数据时代的到来,海量的数据已成为人们在互联网上获取自己需要信息的障碍。推荐系统通过挖掘用户的潜在喜好,帮助用户快速发现自己需要的信息,如电子商务网站中的商品或者多媒体网站中的电影音乐等。传统推荐算法主要根据用户的长期偏好进行推荐,即用户在互联网平台留下的历史记录,如点击项目、评分信息和对项目的评论等。但是此类算法存在冷启动、忽略用户偏好新近性、交互项有序性和用户隐私的问题。基于会话的推荐算法根据用户短期兴趣挖掘潜在喜好,很好的解决了使用长期偏好进行推荐所带来的问题,但同时也存在推荐结果非个性化、忽略用户项目交互中空间信息的现象。针对上述问题本文提出了基于全局协作信息的个性化推荐算法,同时挖掘用户项目交互图中空间信息的长期偏好,会话序列中时间信息的短期兴趣,然后在不同的位置以不同的方式整合,进行Top-K推荐,并且在推荐的过程中仅需要用户的点击信息,既实现了推荐结果的个性化,又保护了用户隐私。首先使用图卷积网络在用户项目交互图中传播,捕获用户在各个传播层中蕴含的协作信息,通过基于注意力机制的函数将其与初始信息聚合,作为用户的全局协作信息,代表了用户的长期偏好。同时避免在传播过程中遗忘初始信息,缓解了图卷积网络在传播过程中过平滑的现象,使得模型可以探索用户与项目更深层次的交互信息。然后使用门控循环单元提取会话序列中隐含的时间信息,代表当前用户的短期兴趣,最后将含有用户全局协作信息的嵌入向量分别与项目嵌入向量、门控循环单元的隐藏层向量整合,其方式为线性和注意力机制,从而提出了预整合线性模型、预整合注意力机制模型、后整合线性模型和后整合注意力机制模型四种推荐模型。本文在三个公开的数据集上对基于全局协作信息的个性化推荐模型进行了实证研究。结果表明,通过注意力机制将用户的全局协作信息与门控循环单元的输出相结合,是最佳的整合方式,并且本文所提出的后整合注意力机制模型优于其他不同种类的基准方法。