近年来,基于会话推荐(Session-based Recommendation)已经在推荐系统任务中被广泛的研究,会话推荐主要在一个会话中对用户下一个点击物品进行推荐。传统的推荐算法比如矩阵分解(Matrix Factorization,MF)和物品对物品(Item-to-Item)协同过滤在会话推荐中的效果不好的原因是忽略了整个点击序列的信息。最近许多基于深度学习循环神经网络(Recurrent Neural Network,RNN)的模型和方法在会话推荐中取得了比较好的效果,但是这些工作都是只考虑了用户当前会话,对当前的会话进行建模分析,仅仅对当前的会话进行建模得到的推荐结果是不够准确的;或者通过跨会话来捕获用户兴趣进行会话推荐也不能得到比较好的推荐效果。因此,用户在历史会话中的个人偏好在当前推荐的任务中也应该被考虑进来与用户当前主要目的结合进行个性化推荐。为了更好地对用户进行个性化推荐,针对现有基于会话推荐模型和算法的不足,通过对当前会话的建模将用户当前会话的主要目的与用户历史偏好进行结合,提出了双注意力神经网络模型(Dual Attentive Neural Network,DANN),该模型不仅考虑了用户当前会话的目的,同时也考虑了用户的个人偏好,将两者同时考虑进行个性化会话推荐。同时,为了更好地从当前会话得到用户的目的,DANN在会话编码(session encoder)器中使用了会话层级(session-level)注意力对当前会话进行建模,得到了用户当前目的的隐层向量表示;另外DANN在用户编码器(user encoder)中使用用户层级(user-level)注意力机制对用户历史会话建模提取到用户的个人偏好的隐层向量表示。通过编码器-解码器(encoder-decoder)结构中编码器将用户编码器和会话编码器进行混合得到统一向量表示,根据解码器对统一向量表示进行解码,得到了最终的推荐结果列表。通过在两个真实的网站数据集XING和Retailrocket上的实验表明,DANN模型在两个评价指标recall值和mrr值均优于已有的模型,同时通过大量实验验证了本文提出DANN模型的有效性与合理性。