互联网技术的迅速发展,互联网信息体量指数增长,推荐系统成为帮助用户减轻信息过载问题、快速挖掘感兴趣信息的基础手段,基于会话的推荐问题也逐渐成为主要研究方向之一。会话推荐旨在通过会话数据来对短时会话中的当前用户行为进行预测。现有方法多将会话数据处理为序列数据,对其建模进而提取得到其特征表示进行推荐,虽然取得了一定的效果,但是忽略了复杂的交互和属性关系,对会话中用户的偏好把握准确性不足。为了在捕获精准用户特征同时考虑与会话中对象复杂的交互和属性关系,受到图神经网络的启发,提出基于有向无向图融合的图神经网络会话推荐模型,简称SRMGF模型。提出有向无向图融合的图神经网络进行建模,实现会话中节点的特征提取。构建基于交互关系的有向图以捕获会话的序列特征和对象间复杂的交互特征,构建基于属性关系的无向图以捕获会话对象的上下文关联特征。设计融合全局和局部信息的注意力机制,生成不同意义的会话级特征,以表示用户的当前兴趣和全局兴趣。利用宏观关联信息对特征进行补充,更好地针对会话场景偶然性、随机性特征,提升模型针对会话推荐场景的适应性和稳定性。最后,在两个真实场景数据集上开展多个实验,模型在两个主要指标上均优于主流对比模型。通过消融实验和超参实验也证明模型各模块和参数设置适用且有效。