如今,推荐系统已经演变成为能帮助用户做出合理决策的工具。为了给用户提供更有效的推荐,大量的推荐模型已经被提出。在这些模型中,基于内容的推荐模型和基于协同过滤的推荐模型都只注重长期、静态的用户偏好而忽视短期、动态偏好。为了解决上述问题,越来越多的研究开始集中在基于会话的推荐模型。传统的会话推荐算法使用马尔可夫决策过程对会话数据进行建模,但是马尔可夫链无法刻画用户的长期偏好。基于RNN的会话推荐算法能有效建模会话中的长期依赖关系并且能与注意力机制相结合来刻画用户在会话中的主要目的。因为这类模型同时考虑用户的连续行为和当前会话中的主要目的,所以它们能够刻画更准确的用户偏好变化,从而使模型的推荐效果大大优于传统的会话推荐算法。但是,基于RNN的会话推荐算法在会话建模中无法绕过与用户的主要目的不相关的物品。因此它容易受到不相关物品的影响以致降低了推荐结果的准确度。另外,它所用的注意力机制难以区分同一物品在不同上下文环境中所隐含的用户兴趣同时不携带位置信息。为了解决上述问题,本文的研究工作涵盖以下三个方面:（1）针对与用户主要目的不相关物品会降低基于RNN的会话推荐算法的推荐精度的问题,本文提出COS-NARM模型。它利用成对编码方案将原始输入嵌入向量转化成一个三维张量表示并通过二维卷积神经网络来处理该张量以捕获非相邻物品间的联系,从而模型能有效跳过序列中与用户主要目的不相关物品。实验表明COS-NARM模型的推荐精度优于所有基线模型。（2）针对基于RNN的会话推荐算法所使用的注意力机制难以区分同一物品在不同上下文环境中所隐含的用户兴趣同时丢失了位置信息的问题,本文提出DA-NARM模型。该模型应用本文所提出的定向多维度自注意力机制为所有物品的每个特征都计算一个重要度分数以根据上下文环境所反映的用户兴趣给该物品的不同特征赋予不同的注意力权重,同时引入位置掩码来捕获物品间的位置联系。实验证明了DA-NARM模型的有效性。（3）由于COS-NARM模型和DA-NARM模型都取得良好的推荐效果,本文考虑将它们融合以进一步提升推荐效果。但是融合模型因参数过多而导致推荐效果反而不理想。针对这一问题,本文将欧氏距离引入COS-NARM模型,提出OCOS-NARM模型。它利用欧氏距离直接计算不同时刻兴趣间的相似度以减少模型的参数,降低模型的复杂度。实验表明OCOS-NARM模型的推荐效果最优。另外,本文通过对比实验证明了欧氏距离的改进方案能有效提高模型的训练速度。