随着互联网的发展、因特网的普及,人们普遍面临的问题是信息过载。为了缓解信息过载,推荐系统应运而生。推荐系统的存在大大降低了用户获取有效信息的成本,提高了用户的上网体验。一般来说,推荐系统根据用户的历史行为挖掘用户的偏好,然后从海量的信息与资源中发现用户可能感兴趣的事物并产生推荐。然而在实际应用中,对许多身份未知的用户或新用户,他们的历史行为是不可知的,仅能根据用户的当前行为产生推荐,为了解决这个问题,就出现了基于会话的推荐。目前基于会话的推荐已成为工业界以及学术界的热点问题。因此,本文基于前沿深度学习技术开展了基于会话的推荐问题的研究,完成的主要工作如下:（1）针对基于会话的推荐算法主要依赖目标会话中有限的信息,而未充分利用物品间的全局信息的问题,提出了一种基于多图神经网络的会话感知推荐模型（Multi-Graph Neural Network-based Session Perception Recommendation Model,MGNN-SPRM）。首先,根据目标会话与训练集中的所有会话构建物品转移图和协同关联图,基于两张图应用图神经网络,汇聚节点的信息,得到两类节点表示,分别表示用户的个性化偏好信息和协同偏好信息;然后,经过双层注意力模块对两类节点表示建模,第一层注意力机制用于捕获个性化偏好与协同信息间的依赖关系,第二层注意力机制为会话中的每个物品表示分配权重,得到会话级别的表示;最后,使用注意力机制进行信息融合并预测下一个交互物品。（2）为进一步弥补目标会话中信息有限的问题,本文引入物品种类信息,在MGNN-SPRM的基础上提出基于物品种类信息增强的会话感知推荐模型(Category Message Enhancing-based Session Perception Recommendation Model,CME-SPRM。根据当前会话从协同关联图中抽取子图时,利用物品种类信息抽取同种类的节点并将其扩充到子图中,相当于利用物品种类信息引入了更多的全局信息。另外,考虑到引入的会话以外的节点对目标会话具有不同的重要性,通过图注意力网络对子图进行建模,自适应地选择重要的全局信息。（3）在电商领域中两个公开数据集上进行了实验,实验结果表明,所提两个模型在各项指标均优于前沿基准模型。CME-SPRM模型由于有效地利用了物品种类信息,相比MGNN-SPRM获得了更好的性能。