推荐系统通过对海量的用户与物品间的交互数据进行处理,向用户进行个性化推荐。会话推荐是推荐系统中的一个重要分支,旨在解决匿名用户的推荐结果不准确的问题。会话推荐能够对用户进行实时性推荐,仅根据用户的历史点击操作就能为用户进行相关推荐,给用户带来良好的使用体验。目前,会话推荐方法主要分为三类,分别是基于传统机器学习的方法、基于深度学习的方法以及基于图神经网络的方法。通过对这三类方法的分析和总结,发现现阶段的研究方法仍然存在三个问题:一是会话图中邻域节点的潜在信息未被充分利用,且大多数方法对会话图的编码仍然只是将其转化为序列数据进行处理;二是在进行深层网络训练的过程中,长距离的历史会话信息会在传播过程中被漏接,信息不能被完整传递;三是在获取会话信息的过程中,需要考虑不同的点击项信息对推荐结果的影响程度。针对上述问题,本文提出了基于图卷积循环神经网络的会话推荐模型和基于扩展因果图卷积循环神经网络的会话推荐模型,本文的主要工作如下:第一,提出基于图卷积循环神经网络会话推荐模型。考虑到会话图数据节点分布空间结构与邻居节点传播的特征信息在单独使用循环神经网络建模的过程中不能被获取,本文提出将图卷积神经网络与循环神经网络相结合的会话推荐模型。该模型首先将会话数据构造为会话图,将会话图数据输入到图卷积神经网络层中,得到包含了会话图节点空间结构信息和邻居传播特征信息的点击项潜在向量,然后将点击项潜在向量输入到循环神经网络层中,捕获会话数据的点击项依赖关系与时序信息,得到点击项隐藏层向量表示,将所有点击项隐藏层向量组合构成全局会话向量,并且与局部会话向量进行拼接形成会话嵌入向量,最后将其与点击项向量进行线性转换得到推荐结果。第二,提出基于扩展因果图卷积循环神经网络的会话推荐模型。针对长距离历史信息在深层网络训练中会被漏接的问题,该模型使用扩展因果卷积神经网络层来对会话图数据进行编码与推理。首先将会话图数据输入到引入了扩展因子的因果卷积中,在扩展因果卷积中添加了残差块来提高模型的泛化能力,从而得到了包含更多潜在信息的会话点击项嵌入向量。将点击项嵌入向量输入到循环神经网络中,获得包含会话内点击项之间的依赖关系和时序信息的点击项隐藏层向量表示。将隐藏层向量输入到注意力网络层中,为不同的点击项隐藏层向量分配不同的权重。最终将具有不同权重值的点击项隐藏层向量组合为全局会话向量,并且与局部会话向量进行拼接,再通过线性转换得到最终的推荐结果。由于会话数据具有因果性并且拥有严格的时间约束,所以能够通过因果卷积对其建模,引入扩展因子可以在减少网络层数的同时获得更大的感受野,捕获到更多的输入信息。残差网络将浅层网络层信息通过残差连接传播到高层网络中,因此整个扩展卷积网络层解决了长距离历史信息漏接的问题。注意力机制通过给重要的点击项向量分配更多的权重,使模型能够获得更多有用的信息,忽略掉无关信息对模型推荐结果的影响,从而提升了模型的推荐效果。本文在两个公开数据集Yoochoose和Diginetica上进行实验,实验结果表明,在两个数据集上,本文提出的两个模型在P@20上最高提升了0.74%与1.11%,在MRR@20上提高了0.73%与1.30%。从而验证了本文模型的有效性。