随着移动智能终端的普及和互联网行业的快速发展,人们可以很方便地在互联网上获取信息并决策。然而井喷式增长的用户和物品为信息的匹配带来了巨大的挑战,为了缓解信息过载这一严峻问题,服务提供者需要设计推荐算法挖掘用户的兴趣与爱好,从而筛选出用户可能感兴趣的信息。本文研究的会话型推荐方法就是根据用户在一段时间内的物品点击序列去预测用户的下一次点击行为,从而辅助用户的决策。用户组成的复杂性导致用户的行为难以预测,为了更好地分析用户点击行为,本文围绕图神经网络设计了会话型推荐方法,并利用数据增强和图嵌入改善了原有系统对于异常数据和新发布物品的处理能力。具体来讲,1)针对传统方法中忽略物品全局转移关系和上下文信息的问题,本文提出了融合上下文信息的图神经网络会话型推荐方法,将所有的会话序列中的上下文信息和物品转移关系汇聚到一张用户会话图上,并通过门控图神经网络和注意力机制提取用户会话向量,从而能在考虑上下文信息和全局物品转移关系的情况下生成更优质的推荐列表。2)针对用户和商家行为存在的不确定性问题,本文提出基于多图神经网络的会话向量增强方法,通过节点删除,边扰动和属性屏蔽的方法扩增了原有的用户会话图,提高了原有模型的鲁棒性,让其能更好地处理各种异常数据。3)针对新发布物品曝光率不足的问题,本文创新性地提出了基于图嵌入的物品向量冷启动训练方法,利用物品属性和随机游走的策略,优化了新物品向量初始化的过程,从而加快新物品脱离冷启动状态。在实验方面,本文采用召回率和命中项排名作为评估指标,在数据集RecSys2015和LastFM上的结果表明,本文提出的方法在会话型推荐的场景中相对于广泛使用的方法提升明显,能为用户生成更合适的推荐列表。在深入研究了会话型推荐方法之后,本文开发了推荐原型系统,实现了网站根据用户的点击行为进行推荐的过程,验证了基于图神经网络的会话型推荐方法应用的可行性。