推荐系统是许多网站的重要组成部分。传统的推荐系统是根据用户的历史行为挖掘用户的兴趣,并以此预测用户可能喜好的产品。然而,在现代的许多电商平台中,用户的信息是匿名的,基于历史行为的推荐不再可行。这就产生了新的推荐系统分支:基于会话的推荐系统,简称会话推荐系统。会话推荐系统的任务旨在根据匿名会话进行推荐。传统的推荐系统更加关注用户的长期兴趣,而会话推荐系统更加注重于当前会话的短期偏好。当前,针对会话推荐系统的研究日益增多。基于用户的协同过滤算法不适用于基于匿名用户的会话推荐系统,基于物品的协同过滤算法仅考虑会话的最后一次点击,难以充分利用会话中有限的序列信息。循环神经网络、注意力机制和图神经网络在自然语言处理等领域的成功应用为会话推荐提供了新的思路。但是,已有的会话推荐算法仍然存在以下不足:（1）图神经网络利用相邻节点间的信息聚合项目的特征,忽略了不相邻项目之间的联系,造成了信息丢失。（2）图神经网络将会话中相同的项目视为单个节点,忽略了不同位置上项目之间的差异性,并且未利用其他会话学习用户的短期偏好。（3）研究者普遍追求较高的精度而设计复杂的模型,造成了较大的性能开销,这使得提出的算法难以应用在实际生产中。针对以上问题,本文从图神经网络的结构出发,在已有的研究成果上进行创新,设计更好的会话推荐模型。本文的主要工作如下:（1）提出了一种基于注意力机制和图神经网络的会话推荐模型,它同时考虑了图中的邻接关系和高阶特征。该模型首先应用自注意力机制学习项目之间的转换关系,然后利用软注意力机制融合会话图中的高阶特征,最后设计了一个简单的全连通层来更新会话的嵌入,充分利用了会话图中的结构信息,使模型更加关注会话图中的有用信息而抑制不重要的信息。（2）提出了一种新颖的位置感知图神经网络模型,它在图建模时既保留了项目的位置信息,也考虑了其他会话对当前用户兴趣的影响。该模型首先将会话序列构建成位置感知图,并且结合位置信息生成节点的嵌入,然后分步聚合项目的特征,最后学习用户的长期兴趣和短期偏好以进行推荐。（3）提出了一种轻量级的图神经网络模型,它包含一个简单的图聚合器和兴趣编码器,达到较好推荐精度的同时具有出色的性能优势。该模型首先将会话项目构建成图,然后直接使用邻居嵌入的均值更新项目的特征,最后结合位置嵌入学习用户的兴趣以进行预测。本文对会话推荐系统中的问题进行深入和细致的分析,在已有的会话推荐算法上提出改进的图神经网络模型,并且在经典的电子商务数据集上展开了广泛的实验,实验结果都始终如一的表明所提出模型的优越性。