电子商务领域由于其庞大的用户群体和商品数量,成为了信息过载问题的“重灾区”之一,因此优秀的电商推荐算法成为了众多大型电商平台的支撑技术和必备武器。提升电商领域的推荐算法性能,一方面可以避免用户迷失在庞大的商品森林之中,另一方面可以极大的提升商家和平台的成交额与收益。在传统的电商推荐场景中,由于大多数可利用的特征之间没有明显的空间或时间关系,因此循环神经网络等方法在该领域难以得到运用。基于会话的推荐算法核心思想是将用户的所有历史行为序列划分为会话,从而将自然语言处理与序列数据处理的方法引入推荐算法中。研究发现真实电商场景下的原始会话数据,大多存在会话数量不足、会话过短以及会话分布不均衡等现象;现有大多数基于会话的推荐算法并未严格区分不同类型的数据特征,使得大量序列数据以外的基本属性特征未能得到充分的利用;同时基于简单循环神经网络的模型往往只能关注当前会话内的用户兴趣,而无法挖掘会话之间隐含的信息。为解决上述的问题,本文分别在数据增强层面与模型改进层面对现有的基于会话的推荐算法进行改进,提出了四种改善会话数据集的数据增强方法,以及一种基于注意力机制的会话推荐算法。本文的主要研究工作如下:1.为了解决了真实推荐场景中存在的会话数据不足、会话过短以及分布不均匀等问题,将图像处理与自然语言处理领域的数据增强方法应用到电商场景的数据增强中,并改进了四种基于会话的推荐算法数据增强方法:EDA、WS、seq2seq以及DeepWalk。这些方法在借鉴原方法的基础上都针对电商环境进行了相应了改进,使其更适用于用户会话的数据增强。实验结果表明,这些方法可以有效的改善原始会话数据的质量,从而在数据层面上提升基于会话的推荐算法性能及其可扩展性。2.为了解决原有的会话推荐算法对于基础属性特征利用不足以及会话兴趣表达有限的问题,提出了一种由DeepFM模块与注意力会话模块串联的基于注意力会话的深度因子分解机模型（ASDeepFM）。本文通过对电商推荐场景中的数据特征进行分析,首先将模型可利用特征分为用户和商品的基本属性特征与用户的历史行为序列特征。我们使用深度因子分解机处理无时间与空间关系的基本属性特征,同时基于多头注意力机制的方法提出了专门处理用户行为会话的注意力会话模块。该模块包括了会话划分、会话内注意力提取及会话间注意力等部分,它可以充分地利用历史行为中的序列信息来挖掘用户的长短期兴趣,从而达到更好的推荐效果。最后本文将DeepFM模块与注意力会话模块进行串联,提出了基于注意力会话的深度因子分解机模型（ASDeepFM）。通过实验证明,本文提出的ASDeepFM模型在两个公开数据集上都取得明显的性能提升。