近年来,随着大数据、物联网、移动互联等技术的迅猛发展引发了数据规模的爆炸式增长。在大数据时代下,信息过载成为常态。在这种背景之下,用户和信息的提供者面临着诸多问题:对于信息提供者来说,如何将自己拥有的海量大数据信息按照用户的需要合理地展示给用户,提高用户体验,增加用户的满意度,是一项很艰巨的任务;对于用户来说,在海量的互联网信息中快速并且准确地寻找到自己真正感兴趣的信息,同样是一项很艰难的任务。为了能够很好地解决大数据时代下的这些问题,推荐系统应运而生。推荐系统的主要功能是帮助用户从海量的数据中快速而准确地寻找到自己真正感兴趣的信息。传统的推荐系统中,往往需要获得用户的相关信息以及用户的历史交易记录。但是,在现实的应用场景中,出于对用户个人隐私信息保密等因素,很多详细信息难以获取,会话推荐在这样的背景下被提出来。给定一个电商平台的具体应用场景,在这个应用场景中,出于用户隐私信息保护的原因,无法获取到用户的详细信息以及用户的历史交易记录,而会话推荐只需要用户的当前会话信息(用户在当前电商平台下点击查看的商品序列)就可以为其生成商品推荐列表,非常适合这种应用场景。在已有的会话推荐方法中,使用深度学习的方法进行会话推荐取得了较为成功的效果。但是,在已有的会话推荐方法当中,还存在以下不足:一是已有的会话推荐方法在推荐时忽略了不同用户兴趣的相似性,将无关商品加入到了推荐方法当中,既额外增加计算量,又影响到推荐结果的准确性。二是已有的会话推荐方法忽视了用户浏览商品时间长短与用户对商品兴趣大小之间的关系。三是在已有的会话推荐方法当中,忽略了会话中间接相连的商品节点之间的关系。针对以上问题,本文从以下两部分进行研究。第一,提出了自适应权重粗糙Kmeans方法。该方法可以更加精准地将兴趣相似的用户会话聚集在一起,在后续的推荐过程中,以会话聚类为基础进行推荐能够极大地缩小推荐的范围,提高推荐的准确性。第二,在对会话进行聚类的基础之上,提出了基于深度学习的会话推荐方法。首先,针对聚类后的用户会话,提出了强化会话中用户兴趣取向的方法对其兴趣进行强化。之后,将用户会话中点击的商品构建成商品网络,使用图神经网络获取网络中商品节点信息的特征向量表示,在特征向量获取的过程中,充分的考虑了网络中商品节点周围的商品对于该节点商品特征向量表示的影响。最后,使用商品的特征向量表示构建用户的兴趣特征据此计算用户点击候选商品的概率,按照概率的大小生成用户推荐列表。本文通过与经典的会话推荐方法在指标P@20和MRR@20上进行对比实验,实验结果表明,本文所提方法在进行会话推荐上具有更好的推荐效果。