作为缓解信息爆炸问题的关键技术,推荐系统在现实世界的很多场景中越来越重要,比如:电子商务平台、媒体流网站以及搜索引擎等。基于会话的推荐系统是现代推荐系统中非常重要的一种,其目的是根据匿名用户在一个会话中的行为序列(如项目点击序列),预测该用户接下来感兴趣的项目。随着对会话推荐问题的深入研究,很多不同的解决方法被提了出来。尽管现有方法已有效解决该问题,但仍然存在着两个局限性:(1)现有方法忽略了项目在不同会话间的相互联系;(2)现有方法通常假设在会话内的项目转移有严格的顺序模式,然而在现实中,会话中的项目点击行为具有一定的随机性。为了解决上诉的两个局限性,本文提出了一个对项目局部转移信息和全局转移信息联合建模的多任务学习框架来进行会话推荐。该框架包括以下两个精心设计的模块:(1)跨会话项目依赖编码器模块,该模块将历史会话数据联合在一起构成项目图,并利用图嵌入算法来提取项目在不同会话间的全局转移信息;(2)会话推荐模块,该模块包括双层注意力编码器和双线性解码器,用来学习局部的项目转移特征,并捕获用户在会话中的当前兴趣和主要目的,为该匿名用户进行推荐。联合这两个模块能够同时探索项目在会话内和会话间的复杂转移,将项目的全局和局部转移信息映射到同一个隐藏空间,使得模型能够学到更有效的用户在当前会话内的特征表示,提高推荐准确率。为了探索不同图嵌入算法对模型的影响,本文分别基于随机游走和深度图信息极大化设计了不同的跨会话项目依赖编码器。在实验部分,本文在两个真实数据集上,将所设计模型与前沿算法进行丰富的对比实验,通过分析实验结果验证了所设计模型的可行性与有效性。