电子商务平台的出现使信息数量增长过快,出现了信息过载的问题,推荐系统可以有效解决当前存在的信息过载问题。由于当前大多数平台出于对用户的隐私保护,使用户的信息处于一种匿名的状态,无法获得用户个人的准确信息,使用传统的推荐算法在获取用户嵌入向量的过程中有一定的局限性,而基于会话序列的推荐算法可以有效的解决现存的匿名会话的问题。但是在现有的会话序列推荐方法中,存在以下问题:当一个会话中的用户交互行为较少时,忽略了会话中物品之间的潜在关系,无法更好的获取用户的兴趣行为表示;当前研究只考虑用户简单的会话序列行为,没有考虑用户真正想要预测的目标物品,没有准确判断出用户的历史会话中不同物品的优先权,导致很难获得准确的会话表示向量。为了解决上述存在的问题,现提出一种基于图神经网络和注意力机制的会话推荐方法（GNN-AM-SR）,引入图神经网络模型学习一个会话图中不同物品之间存在的潜在关系,获取每个物品节点表示向量,构造改进注意力网络,通过目标感知注意力层激活不同的目标物品对应的用户兴趣行为表示,通过时间注意力层获取用户的浏览时间信息,以判断物品的优先权来准确获得用户的会话表示向量。与此同时,将用户的最后一次点击过的物品作为用户的当前兴趣,结合用户的全局偏好和当前兴趣以获得为用户推荐的最终结果。在公共数据集Yoochoose1/64和Yoochoose1/4上对模型进行验证,使用常见的推荐评价指标——准确率和平均倒数排名,对GNN-AM-SR和目前先进的会话推荐模型进行实验分析,实验结果表明,GNN-AM-SR模型取得了更好的推荐效果。该论文有图17幅,表11个,参考文献54篇。