随着时代的发展和社会的进步,越来越多的人们开始体验到科技带来的福祉,但随之而来的是信息过载。互联网用户难以在复杂的数据环境中找到自己需要的信息。与此同时,商家在面对海量数据的时候,如何对数据进行筛选,并恰当地推荐给用户是十分重要的。多种外因促使下,推荐系统仍有研究的必要。推荐系统通过用户日志、商品评论和评分或者使用用户个人信息,对用户的偏好做出预测,协助用户从海量商品中挑选出需要的物品,帮助商家准确的判断用户的偏好并针对不同用户推荐不同的商品信息。传统的推荐算法根据用户信息进行推荐。但由于冷启动的原因,在现实条件下准确度往往不高。冷启动是指传统推荐算法在用户未登录或匿名浏览项目等用户信息未知或者知之甚少的条件下,难以对用户进行有效推荐的问题。为解决冷启动问题,学者提出了基于会话的推荐算法。近年,由于深度学习的广泛应用,循环神经网络（Recurrent Neural Network,RNN）被应用于会话推荐,并已取得良好成果。RNN使用每层的隐层单元表示用户信息,而当前的隐藏单元的状态是由前一时刻的隐藏状态和用户的初始输入决定的,这使得RNN能够准确地预测用户当前偏好并构建会话模型。但以往研究工作中少有关注用户邻域会话对用户当前行为模式的影响,一些研究工作也并未完全获取用户短期偏好。为解决上述问题,本文作出的贡献如下:在本文的研究工作中,提出了一种融合Bi GRU和记忆网络的会话推荐算法。在RNN的基础上融合图卷积网络以结合两者的优势,并对用户的邻域会话和历史会话特征进行融合并构建模型。通过融合缩放点积自注意力和双向门限循环单元（Bidirectional Gated Recurrent Unit,Bi GRU）提取用户历史行为特征。使用图卷积网络和跨会话的注意力获取用户邻域信息,借此改进记忆网络并判断当前会话的辅助信息对提取用户偏好的贡献。最后对两个编码器的会话表示进行特征融合,获得用户的当前偏好并预测下一个交互。针对于以往的研究工作中大多只考虑用户的有意识行为对用户偏好的影响,因此本文提出一种融合驻留时间和协同注意的会话推荐算法。融合用户的有意识行为和无意识行为中的驻留时间和项目视图,加入用户的会话点击,作为模型的输入,丰富会话信息,并使用协同注意模块引入用户邻域会话对用户的全局偏好和局部偏好进行更新和加强,最终使用融合选通门对两个偏好进行特征选取和特征融合并提出一种新的会话推荐算法以获取最终的用户偏好并进行个性化推荐。本文使用Recall@20和MRR@20作为评价指标,并在两个公开的数据集上进行实验以验证本文研究的效果,与此同时和当前较为常用的基线算法进行了性能比较,并使用控制变量法对不同情况下本文模型的性能进行了验证。实验结果证明,本文的算法在两个指标下均取得良好的性能提升,且有较好的鲁棒性。