在网络技术快速发展的今天,推荐系统越来越多的被使用在影音娱乐、电子商务和社交网络等场景中。然而,在许多现实的推荐场景中,用户出于保护隐私的考虑选择匿名访问或者删除浏览记录,此时他们的身份标识和历史信息不能被服务提供商所保存。在这种情况下,传统的基于用户长期历史数据来构建用户画像的推荐算法已经无法提供优质的服务。因此,基于会话的推荐系统开始受到了人们的关注。在无法确定用户身份和长期历史数据不可用的情况下,基于会话的推荐仍然是一项艰巨的工作。现有基于会话的推荐算法往往是根据当前会话来对用户偏好进行建模,却忽略了与当前会话有着相似意图的其他会话。本文把这些会话称为当前会话的邻域会话集,而在邻域会话集中包含了当前会话的协同信息。最近,循环神经网络在解决会话型推荐问题上展现出良好的性能优势。但是,这些方法无法从复杂的用户交互行为中学习物品之间的转移关系。为了解决上述工作中存在的不足,本文在现有的工作的基础上进行改进,主要工作如下:（1）为了解决前人方法只是挖掘自身所蕴含的特征,没有关注邻域会话所包含的协同特征的不足。本文提出了一种融合邻域会话信息的双层注意力模型,其不仅挖掘了当前会话信息,也考虑了邻域会话集中包含的邻域协同信息,可以帮助模型更好地理解当前用户兴趣。同时,模型采用一个门控机制来动态的结合当前会话信息和邻域会话信息,从而生成最终的会话表示。本文在三个真实的工业数据集上进行了丰富的实验表明该方法可以实现更佳的推荐效果。（2）针对现有神经网络模型无法捕获会话中物品之间复杂的转移关系的问题,本文提出一种基于图卷积神经网络的位置感知模型。该模型通过将会话序列构建成图结构,并使用图卷积网络来学习图中节点的空间信息,以获得更精确的物品特征表示,然后通过反向位置嵌入向量来对会话中时序信息进行建模,利用非线性函数将物品特征与时序特征进行结合,最后通过注意力网络学习当前会话的全局偏好表示和局部偏好表示。实验表明在两个公开的数据集上模型可以更好的完成推荐任务。