随着大数据时代的到来,信息过载问题日益严重,在海量数据中寻找用户最感兴趣的信息成为了当前的热点问题。与传统推荐算法相比,基于会话的推荐系统不需要获取用户的历史信息,仅利用用户的会话数据就可以生成个性化推荐列表,因而深受研究者的关注。本文通过整理归纳现有的基于会话的推荐算法发现,当前主流的会话推荐算法存在以下几个问题:第一,可获取的会话数据不仅包含有时序性的项目序列,也包含用户的一系列微观行为,例如用户在网页的操作序列,用户在项目的停留时间等。当前的会话推荐算法缺乏对用户微观行为数据的利用;第二,项目冷启动问题难以解决,当前的研究主要集中在从会话数据中挖掘项目间的关联关系,来获取用户的短期兴趣偏好进行推荐,忽略了会话外项目与会话中的项目的关联关系,因而新物品难以被推荐,降低了推荐准确性。针对上述问题,本文提出了结合用户微观行为和异构信息网络的会话推荐算法。主要工作如下:首先,针对当前对用户微观行为利用不足的情况,本文使用了用户微观行为的数据-操作序列和项目停留时间序列,与项目序列共同学习当前会话的向量表达,提出了结合用户微观行为的会话推荐算法。其次,针对项目冷启动问题,本文构建了用户-项目-项目属性的异构信息网络,学习全局的项目关系,将预先学到的知识作为模型输入;同时学习用户和项目的关系,通过用户-项目的链路预测任务判断候选项是否为下一个交互项。最后,在公开数据集上进行了一系列实验,实验结果证明了本文所提出的两个模型在真实数据集上的推荐效果更好,同时也证明了利用全局的项目间的关联关系可以有效地改进项目冷启动问题。