目前在会话型推荐系统问题上,主要使用马尔可夫链与循环神经网络的推荐模型,但是前者适合较短的序列数据并存在独立性假设,后者存在冷启动的问题。序列数据可以转化为图结构数据,而图神经网络能够处理复杂的图结构数据,同时可以克服独立性假设和冷启动的问题,因此研究人员提出利用图神经网络模型来提升推荐效果。本文创新性地提出了一种改进的图神经网络推荐模型——图神经网络融合图嵌入模型。本模型根据用户的会话信息构建图结构数据,将图结构数据输入到图嵌入算法和图神经网络模型中进行训练,得到商品的嵌入向量表示,再通过注意力机制计算每个商品的推荐得分,最后得到商品的推荐排序。本模型主要包括图嵌入和图神经网络两个阶段,注意力机制可以动态地调整推荐方案,有针对性地进行推荐。除此之外,会话信息的预处理可以过滤掉噪声数据,进一步提升推荐效果。图嵌入阶段旨在求出商品节点的嵌入向量,表征商品的底层特征,图神经网络可以挖掘图结构中的隐藏关系,寻找商品之间的转移特征。本文使用DeepWalk作为图嵌入算法,它在图结构数据及其下游机器学习任务中表现突出,在图神经网络模型的选择上,具有较大的灵活性,本文使用门控图神经网络。本模型将两者结合,更好地评估商品的转移关系,预测商品点击序列在图结构中的游走。本文在Yoochoose和Diginetica两个数据集上进行实验,通过实验结果表明,本模型在会话型推荐系统领域有较好的表现,推荐效果相对于当前同领域的模型有较明显的提升。