随着互联网技术的不断发展,推荐系统已经广泛地应用于各类电子商务平台和媒体流网站。目前大多数的推荐系统都是根据用户的身份标识和长期历史行为来给出个性化的推荐方案。但是,在很多真实的应用场景中用户的身份标识和长期历史行为数据是无法获得的。在这种情况下,传统的推荐算法将不再适用。只能根据用户在当前会话中的点击序列来给出相应的推荐结果,这一种推荐方式又叫做会话型推荐系统。由于用户行为的不确定性和会话所提供的信息有限性,会话型推荐系统仍然是一个非常具有挑战性的问题。先前用来解决该问题的方法主要是基于循环神经网络的模型。但是循环神经网络内在的串行运行机制会阻碍模型的并行化,降低模型的运行效率。最近,注意力网络在这个问题上表现出了更大的优势。但是,现有的基于注意力网络的方法都没有显式地利用到序列中的时序位置信息,上下文信息和局部特征。为了解决以上的这些问题,本文在现有的工作之上做了进一步改进,其主要的创新点如下:1.本文提出了一种位置感知的上下文注意力网络模型,它能够同时考虑物品的时序位置信息和上下文信息从而提高推荐的准确性。它通过引入位置向量来对时序位置信息进行建模,并利用池化函数来生成上下文特征向量。在真实数据集上的实验也证实了本论文模型的有效性。2.由于以上方法只考虑了时序信息和上下文信息,忽略了序列中的局部特征,所以本文还提出了一个分层卷积注意力网络模型来探索用户行为的局部特性。在会话型推荐问题中,用户的行为具有局部性,即用户连续几次点击的物品应该反应了用户同一类的兴趣。本文的分层卷积注意力网络模型融合了卷积神经网络和注意力网络的优点,它能够同时捕捉到序列中全局和局部的上下文依赖关系和时序信息。这也是第一篇将卷积神经网络的特点应用于会话型推荐任务的工作。三个真实数据集上的实验也充分证实了本论文模型的有效性。