在这个信息过载和数字化经济的时代,用户要从大量且快速增长的物品中做出选择是比较困难的,而推荐系统（Recommendation System,RS）的诞生很好的解决了这一问题。推荐系统对用户的日常消费、服务和决策的影响越来越关键,推荐系统已经发展成为日常生活、工作、学习、商业和娱乐的基础工具面。推荐系统最大的作用是能够为用户提供更多有效信息,以帮助用户做出更有效的决策,也正因此,推荐系统给现代商业带来了很大的经济价值。基于会话的推荐系统（Session-based Recommendation System,SBR）的目标是捕捉短期动态的用户偏好,以提供对会话上下文变化敏感的更及时和准确的推荐。在用户画像不可知的情况下,基于匿名会话的推荐尤为重要,其目的是根据用户一段时间内的访问序列预测用户下一时刻可能选择的项目。近年来,随着深度学习的方法用于推荐系统,基于会话的推荐性能有了很大的提高。本算法重点研究基于会话的推荐模型。现有模型较少将用户的上下文信息与长短期兴趣综合起来考虑,如果将用户的浏览历史信息和用户的长短期兴趣相结合,能够提高基于会话的推荐的精度。另一方面,针对特殊应用场景,已知项目类型、流行趋势、特殊日期等信息,如果将这些特殊信息融入到基于会话的推荐算法中,可以显著提高推荐的性能。因此,本算法从这两个方面出发,提出了两种基于会话的推荐算法模型。主要内容如下:（1）上下文感知的短期兴趣优先的推荐算法:提出了一个上下文感知的短期兴趣优先的推荐模型,目的是将上下文全局信息与短期兴趣相结合,提高推荐的准确性。该算法通过图神经网络获取丰富的上下文依赖关系,构建的短期兴趣优先模块能够从会话中获取用户的一般兴趣,同时从最后一次点击的项目中获取用户当前的兴趣,将短期兴趣和长期兴趣结合作为用户的最终偏好。本算法在两个数据集上的大量实验表明了其有效性。（2）融合特殊信息的基于会话的推荐算法:推荐的特殊信息是指在推荐时实际的环境,如季节,特殊日期,所在地,受欢迎度,物品类型等。如果不考虑这些特征,则推荐系统无法捕捉与这些场景相关的价值信息,考虑这些特殊信息,能够在一定程度上提高推荐精度。本算法提出了一个将特殊信息通过神经网络与用户的历史浏览序列信息融合的推荐模型,并在大量数据集上的实验表明了其有效性。