近年来随着计算机硬件、互联网、大数据等技术的快速发展,用户被海量的信息包围。对用户来说,如何在日益增长的信息库中找到自己需要的信息是一件非常困难的事情。为了让用户花费少量的时间在系统中找到自己需要的物品或者信息,推荐系统应运而生。推荐系统的出现很大程度地解决了“信息过载”的问题,是一种非常有效的信息过滤方法,可以根据用户的相关信息或者历史浏览记录,去学习了解用户的兴趣偏好,从而为用户推荐需要的信息或物品。本文主要针对用户与系统交互的会话信息推荐展开相关研究,主要工作如下:(1)基于会话的推荐是推荐领域中一个新兴话题,并且近年来引起了学术界和工业界的极大关注。基于会话的推荐最大的优点是不需要挖掘用户本身信息,只需要处理用户与系统交互过程中的物品点击事件序列信息。针对传统的基于会话的推荐算法没有利用物品的特征信息的问题,本文提出一种新的基于会话的推荐算法——SR-I2V(Session-based Recommendation with Item2Vec),首先通过该算法学习出物品的嵌入向量,接着由意图递进公式对已发生的物品点击提取出意图特征向量,最后通过计算向量相似度进行推荐。SR-I2V算法不仅有效解决了推荐算法中冷启动和数据稀疏等问题,而且实验结果与其他推荐算法相比,召回率和评论倒数排名等实验指标都得到了较大程度的提高,从而证明了该推荐算法的有效性和可行性。(2)由于SR-I2V推荐算法使用了一个意图递进公式提取用户意图,但是并不能非常准确的对用户的主要意图进行提取。为了解决这个问题,本文接着提出了一种新颖的推荐算法,即融合注意力机制的会话型推荐算法(Session–based Recommendation with Attention,SRA)来解决此问题。该算法探索一种具有注意力机制的混合编码器,以对用户的序列行为进行建模,并捕获当前会话中用户的主要意图,然后将其合并为一个统一的会话表示形式。然后,基于这个统一的会话表示,使用双线性匹配方案为每个候选物品计算推荐分数。通过共同学习item和会话表示以及它们的匹配项来训练SRA。我们在两个公共数据集上进行了广泛的实验。实验结果表明,SRA在这两个数据集上均优于常见的会话型推荐算法,这证明了SRA在同时建模用户的序列行为和主要意图两方面的优势。