随着各互联网平台对用户体验的考虑,各类平台均提升匿名访问服务的体验。例如在亚马逊、淘宝、知乎等平台中,用户能够在不登录的情况下,访问平台中的信息。但是,当用户完成当次访问并关闭会话后,平台将失去该用户的身份。因而每次新增会话,均需要重新确立用户偏好。为了能够尽快的确立会话对应用户的喜好,从而为其提供优质的推荐服务,不少工作研究会话推荐任务,旨在根据用户的短期交互记录快速确立用户偏好,预测用户的后续行为。因而,如何建模会话之中项目之间的协同关系以及如何生成更为有效的会话表示,成为了解决该类问题的重点。本文将针对这两方面重点问题进行会话推荐方法研究,具体的研究工作如下:（1）提出了一种基于交互序列项目相关性建模的图卷积会话推荐模型（Interactive sequence Homogenous node Graph Convolutional Network,IHGCN）,通过分析会话的项目交互序列建模项目之间的协同关系,同时挖掘了相邻交互信息和历史交互信息。为了从这些交互信息中协同分析出项目特征,所提出方法使用图结构构建项目之间的关系,并引入图卷积网络从项目关系图中学习项目特征。所提出方法使用特征维度级的细粒度注意力机制挖掘用户的全局偏好,并融合用户的局部偏好,形成最终的推荐结果。（2）提出了一种基于整体序列建模的会话推荐模型（Temporal Session Representa-tion Learning,TemSRL）,通过综合考虑各项 目内容对会话表示的重要性,生成更为有效的会话表示。为了更好的挖掘项目内容在会话推荐中的重要性,本文联合分析了该项目在会话历史中所处的位置和该项目与会话最新项目的关系等信息,衡量该项目在会话中的权重,最后融合会话历史中的各项目信息生成整体的会话表示。（3）设计了一个基于图卷积网络的音乐会话推荐系统。该系统根据用户交互的音乐会话序列,为用户提供个性化的音乐项目推荐服务。该系统使用的后台算法融合了本文提出的两个模型,不仅可以有效建模项目之间的协同关系,而且可以生成更为有效的会话表示,从而清晰解构出音乐会话序列中的用户偏好。