基于会话的推荐系统（RS）利用当前会话中的物品序列预测下一步要点击的物品。近年来,循环神经网络（RNN）和图神经网络（GNN）等深度学习模型被应用于基于会话的推荐。然而,据我们所知,现有的方法忽略了会话图中节点的度数以及频繁子序列的融合,频繁子序列指的是在不同会话中频繁出现的物品子序列。在会话图中,节点的度数一定程度上反映出其在图中的作用大小,节点的度数越大则被点击的可能性越大。此外,从直观上看,物品序列出现得越频繁,它就可能越重要。针对上述问题和现象,本文在现有工作的基础上,分别研究了会话图中节点度数的作用和频繁子序列在会话推荐中的作用。本文工作的主要贡献如下:1.本文在现有的图神经网络工作的基础上,对会话数据进行分析,提出利用会话图中节点的度信息来提升会话推荐效果。本文通过构建入度矩阵和出度矩阵来分别表示入度信息和出度信息并通过门控图神经网络对其进行建模。本文通过图表可视化验证了会话数据中度数对模型具有明显的作用。在多个真实世界的数据集中验证了度信息的有效性。2.本文通过频繁子序列的构建实现了在会话推荐中局部与整体之间的联系。本文提出了频繁子序列建模（FSM）方法。该方法的输入由两个会话图组成。第一个图是由当前会话中的原始项目序列构造的。第二个由子序列构建,边权值等于每个子序列在所有会话中出现的次数。将这两组图输入两个GNN,得到两组项目特征向量,最后利用门控层将这两组特征向量连接起来。我们的方法在四个基准数据集上进行了测试,分别是Tmall,Nowplaying,Diginetica和Yoochoose。结果证明,我们的方法在Tmall数据集上得到了最好的改进,并验证了当数据集中子序列的分布以多种方式表现出来时我们的方法效果会更好。