随着各大电商平台的不断发展,在线商品数量达到空前规模,推荐系统的作用显得尤为突出。协同过滤算法作为一种应用较广、经典有效的推荐方法,主要思想是利用已有的交互数据,预测当前用户可能喜欢的商品。已有的协同过滤推荐需要维护用户与商品的交互矩阵,对新用户与匿名用户推荐效果欠佳;此外用户历史的长期、静态偏好与其短期的、动态偏好的不一致,也影响推荐的准确性。近年来提出的基于会话序列的商品推荐可以弥补传统推荐算法的上述不足。基于会话序列的商品推荐通过用户已有的点击序列信息预测并推荐下一个可能点击的商品项目。目前,既能满足为匿名用户服务又有较好推荐准确率的会话序列推荐算法是亟需研究的问题。本文提出一种适用于匿名用户,基于全局信息的商品会话序列推荐算法。主要工作内容如下:1.为了综合考虑全局商品项目转移关系,提出了构建商品项目全局有向图来表示项目之间复杂的关系的方法。首先对会话序列数据进行处理,然后构建全局有向图,并导入Neo4j图数据库中。图中节点为商品项目,节点间有向边代表商品项目的点击次序,边上带有对应点击次序的权重数据。2.为了充分利用待推荐会话的历史商品项目,提出了全局偏好传播的评分策略以获得会话中多个商品项目的全局影响,并通过提高紧邻点击项目对应的参数来扩大会话紧邻项目的全局影响。在通过基于权重数据与基于入度数据的方式对待推荐项目评分时,先将权重数据和入度数据进行聚类处理,然后将各类别商品项目重新标注适当大小,避免数据值差别过大对计算的不良影响。在实验部分,使用了各种参数组合来验证本文提出偏好传播评分策略的有效性。3.在Diginetica与Yoochoose标准数据集上的实验证明,本文算法依据P@20标准,比传统Item-KNN算法推荐准确率提升了6.12%和30.34%,依据MRR@20标准则提升了15.04%和13.06%,实验结果表明本文提出的全局有向图搜索和评分策略是有效的。