在信息过载的当前互联网环境下,用户获取有价值信息的信息成本越来越高,为了解决这一问题,推荐系统（Recommendation System,RS）应运而生。推荐系统从用户项目交互信息或静态特征中推断用户偏好,并进一步推荐用户可能感兴趣的项目,以帮助用户做出更有效的决策,有很大的应用价值。而在某些场景中,用户信息是匿名的,推荐系统只能根据用户点击行为序列来学习用户的兴趣表示,该类情况被归为推荐系统的一个子类型,即基于会话的推荐（Session-based Recommendation,SBR）,它认为用户的偏好是随着时间不断改变的,通过用户实时交互会话序列来预测推荐列表。近年来,由于会话推荐系统具有较高的实际应用价值,受到了学术界和工业界的关注,并提出了许多有效的解决方案,但现有的方法也存在着许多问题。现有方法存在匿名情况下冷启动与数据稀疏的问题,在用户匿名的情况下,关于用户的偏好信息只有当前点击行为序列;现有方法存在流行度偏差导致的长尾效应问题,不受欢迎的项目难于被推荐;基于图神经网络的方法存在生成会话序列表示时的信息丢失问题和无效的远程依赖关系捕获问题,由于从会话序列到向量表示的有损编码,一些有关项目转换关系的序列信息被忽略,由于迭代的层数有限,图神经网络无法捕获会话中的某些远程依赖项信息。为了解决上述问题,本文的主要工作如下:（一）提出一种基于注意力门控图神经网络的会话推荐模型。该模型通过门控图神经网络捕获用户点击行为序列中复杂的项目转换关系,获取序列的局部依赖,缓解信息丢失与数据稀疏的问题,并在模型输入前,模型训练中,模型输出后分别正则化项目嵌入和会话表示,缓解长尾中的项目难以推荐问题,最后,利用注意力机制为用户互动的项目分配注意力权重,捕获会话中远程项目对推荐结果的影响,从会话中获取用户的动态兴趣表示,构建融合上下文信息的基于门控图神经网络和注意力机制的会话推荐模型。（二）通过实验来验证本文模型的有效性。本文在两个公开的电商数据集上进行实验验证,通过与基线模型的对比试验,验证了该模型有效的提高了推荐性能,通过消融实验证明了模型中注意力模块的有效性,通过不同会话长度对模型性能影响实验验证了模型捕获长期兴趣的必要性。（三）设计并实现了基于本文提出模型的会话型商品推荐系统。在A-GGNN模型的基础上,本文使用Python语言和Django框架设计并实现了会话型商品推荐系统,使用的数据库为My SQL和Redis数据库,该系统根据用户在连续时间段内的点击行为序列,为用户提供个性化的商品推荐功能。